Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Kockázati modell a neuroblasztóma metasztázisainak kimutatására (NB)

Csontvelő citológián alapuló mesterséges intelligencia modell a neuroblasztóma kimutatására és prognózisára

A neuroblasztóma (NB) a leggyakoribb extracranialis szolid daganat a gyermekeknél, amely a tumorral összefüggő mortalitás körülbelül 15%-át teszi ki. A magas kockázatú csoportba tartozó NB betegek hajlamosak a csontvelői és/vagy csontmetasztázisokra, alacsony ötéves teljes túlélési arány mellett. A mesterséges intelligencia (AI) és a mély tanulási technológiák alkalmasak a csontvelő-citológia morfológiai jellemzőinek azonosítására a klinikai gyakorlatban. Ebben a tanulmányban a kutatók megszerkesztik és értékelik a csontvelő-citológián alapuló AI-modellt az NB kimutatására és prognózisára. A tanulmány fő kérdései a következők:

Az 1. kérdés: A dózis csontvelő-citológián alapuló AI-modell működik a csontvelői metasztázisok előrejelzésére NB-ben? A 2. kérdés: A dózis csontvelő-citológián alapuló AI modell működik a csontmetasztázisok előrejelzésére NB-ben? A 3. kérdés: A dózis csontvelő-citológián alapuló mesterséges intelligencia-modell segítheti az orvosokat a túlélési kimenetel egyénre szabott előrejelzésében? A nyomozók 2019 januárja és 2024 júniusa között visszamenőleg szerzik meg a résztvevőket NB-vel. A nyomon követési dátum 2024. június 30-án ért véget.

A belső kohorsz a Xinhua Kórház és a Shanghai Jiao Tong Egyetem Orvostudományi Karának résztvevőiből áll. A résztvevőket is magában foglaló független külső kohorszok a Children's Hospital, a Zhejiang University School of Medicine és a Shenzhen Children's Hospital alkotják.

A vizsgálók összegyűjtik a beiratkozott résztvevők klinikai adatait a betegek első kórházi felvételekor, a kezelés előtt. A klinikai információk, beleértve az életkort, nemet, elsődleges daganat elhelyezkedését, tumor fokozatát, csontvelői metasztázis állapotát, csontmetasztázis állapotát, genetikai aberrációkat (MYCN amplifikáció, 1p kromoszóma deléció, 11q kromoszóma deléció) és laboratóriumi változókat (perifériás vérsejtszám, csontvelő citológia) indikátorok, a laktát-dehidrogenáz szérumkoncentrációja, neuronspecifikus enoláz).

Ez a tanulmány egy nem-beavatkozásos megfigyeléses vizsgálat, nem jelent kockázatot a résztvevők és a vizsgálók számára. A résztvevők a következő előnyökben részesülnek:

  1. Korai felismerés: A modell segít a kockázatok korai azonosításában és a kezelés személyre szabásában.
  2. Kényelem: Mivel a modell általános laboratóriumi teszteken alapul, könnyen végrehajtható, csökkentheti az invazív diagnosztikai eljárásokat.
  3. Költséghatékony: A rutintesztekből származó meglévő klinikai adatok felhasználása költséghatékonyabbá teheti az előrejelzési folyamatot.
  4. Adatvezérelt döntések: Az AI-modell javítja a diagnosztikai hatékonyságot és támogatja az orvosi döntést.

A tanulmány áttekintése

Részletes leírás

  1. Adatkészlet feldolgozás. Ebben a tanulmányban a modell tartalmazza a képzési készletet, az érvényesítési készletet és a tesztkészleteket. A modell felépítése során a vizsgálók belső kohorszban dolgozzák fel a képzést úgy, hogy a beiratkozott résztvevőket véletlenszerűen hozzárendelik a képzési halmazhoz és a validációs halmazhoz 8:2 arányban. A vizsgálók a külső kohorszok beiratkozott résztvevőit tesztkészletként használják fel a modell teljesítményének független értékelésére, majd kiválasztják a legjobb modellt a jövőbeni felhasználásra.

    A Shanghai Jiaotong Egyetem Orvostudományi Karához tartozó Xinhua Kórház Etikai Bizottsága jóváhagyta ezt a tanulmányt (XHEC-C-2024-023-2).

  2. képszerzés. Az AI-modellben a vizsgálók a beiratkozott résztvevők csontvelő-kenetét használják citológiai értékeléshez és képgyűjtéshez. A sejtosztályozás és a metasztázis kimutatás során a tapasztalt patológusok elvégzik a csontvelő kenet analízisét, a csontvelőben lévő metasztatikus NB klaszterek általában aggregált, kerek atípusos sejteket mutattak, magas mag/citoplazma aránnyal. A kutatók festett csontvelő-kenetet szkennelnek 40-szeres nagyítással a digitális teljes diaképalkotáshoz (WSI). A kutatók a WSI-ket 512 × 512 pixeles csempékként kisebb foltokra bontják, és a Vahadane módszert alkalmazzák a kis csempék színének normalizálására.
  3. Mély tanulási tréning. A csontvelő citológiai képének jellemző extrakciójában a folyamat két előrejelzési szintet foglal magában: foltszintű és WSI-szintű előrejelzéseket.

    A foltszintű előrejelzéseknél a vizsgálók címke-előrejelzéseket és azok valószínűségét hajtják végre az összes folt esetében. A kutatók a mély tanulási folyamatban a következő modellt alkalmazzák: felismert neurális hálózat (CNN)-resnet50 és Vision Transformer (ViT). A modell paraméterei a következők: optimalizáló-SGD, veszteségfüggvény-softmax keresztentrópia, 64-es kötegmérettel.

    A WSI-szintű előrejelzésekhez a nyomozók egy többpéldányos tanulási (MIL) algoritmust használnak, hogy a szétszórt patch-szintű jellemzőket WSI-szintű jellemzőkké aggregálják. A WSI-fúziós MIL során a nyomozók WSI-szintű előrejelzéseket hajtanak végre a Patch Likelihood Histogram (PLH) és a Bag of Words (BoW) folyamat kombinációjával. Ezt követően a vizsgálók megkapják a WSI-szintű előrejelzést a résztvevő végső reprezentációjaként a későbbi analitikai műveletekhez.

  4. Signature épület. A jellemzők kiválasztásának folyamatában a vizsgálók a LASSO (Least Absolute Shrinkage and Selection Operator) jellemzőszűrést alkalmaznak a csontvelő-citológia végső WSI-szintű jellemzőinek meghatározására. Ezeket a kiválasztott funkciókat azután gépi tanulási módszereknek vetették alá az AI modell kifejlesztéséhez. A kutatók számos gépi tanulási algoritmust alkalmaznak a résztvevők csontvelői és/vagy csontjainak áttétállapotának előrejelzésére, például támogató vektorgépeket (SVM), logisztikai regressziót (LR), fa-alapú modelleket, például véletlenszerű erdőket és rendkívül randomizált fákat. ExtraTrees), extrém Gradient Boost (XGBoost) és Light Gradient Boost Machine (LightGBM), valamint többrétegű perceptron (MLP) modellek.

    A prognózismodellben a kutatók Cox-modelleket használnak a csontvelő citológiai jelekkel és klinikai jellemzőkkel rendelkező túlélési modell felépítéséhez.

  5. Modellértékelés és statisztikai elemzés. A vizsgálók összehasonlítják a résztvevő klinikai jellemzőit független mintás t-teszttel a folytonos változókra és a χ² teszttel a diszkrét változókra az SPSS 22.0 verziójában (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 volt statisztikailag szignifikáns.

A diagnosztikai modellhez a vizsgálók a görbe alatti mikro- és makroterületet (AUC) egyaránt használják, hogy értékeljék a modellt érzékenység, specifitás, pontosság, pozitív prediktív érték és negatív prediktív érték szempontjából különböző osztályozási küszöbök mellett. A modell teljesítményét és hatékonyságát külön tesztcsoporton értékelték. A tanulmány a Python v.3.7.12-es verziójában írt egyéni Python-kódot alkalmaz a modell teljesítményének értékeléséhez.

A prognosztikai modellhez a vizsgálók az AUC-t használják teljesítménymutatóként, és kiszámítják az érzékenységet és a specificitást. A tesztkészletben a legjobb teljesítményt nyújtó modellt választották optimális modellnek. A túlélési görbéket Kaplan-Meier módszerrel szerkesztettük.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

500

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

      • Shenzhen, Kína, 518038
        • Shenzhen Children's Hospital
    • Shanghai
      • Shanghai, Shanghai, Kína, 200092
        • Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine
    • Zhejiang
      • Hangzhou, Zhejiang, Kína
        • The Children's Hospital, Zhejiang University School of Medicine

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Gyermek
  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

Ebben a tanulmányban olyan résztvevők vettek részt, akiknél 2019 januárja és 2024 júniusa között újonnan diagnosztizáltak NB-t. A nyomon követési dátum 2024. június 30-án ért véget.

A belső kohorsz a Xinhua Kórház és a Shanghai Jiao Tong Egyetem Orvostudományi Karának résztvevőiből áll. A résztvevőket is magában foglaló független külső kohorszok a Children's Hospital, a Zhejiang University School of Medicine és a Shenzhen Children's Hospital alkotják. Minden résztvevő rutinvizsgálatként csontvelő-kenet elemzést végzett. A Wright-Giemsával festett csontvelő-kenet standard protokollok szerint készült. A diagnózist tapasztalt patológus készítette, és korrelált a klinikai és/vagy radiológiai leletekkel.

Leírás

Bevételi kritériumok:

  1. Az a résztvevő, akit újonnan diagnosztizáltak NB-vel a Nemzetközi Neuroblastoma Risk Group Stage System (INRGSS) szerint. A diagnózist tapasztalt patológus készítette, és korrelált a klinikai és/vagy radiológiai leletekkel.
  2. A résztvevő NB-vel diagnosztizált más kórházakban, akik nem részesültek kemoterápiában vagy sugárterápiában.
  3. A NB-s résztvevő rutinvizsgálatként csontvelő-kenet analízist végzett. A Wright-Giemsával festett csontvelő-kenet standard protokollok szerint készült.

Kizárási kritériumok:

  1. Az a résztvevő, akinek egyidejűleg más rosszindulatú daganatai is diagnosztizáltak.
  2. Az NB-s résztvevő, aki korábban kemoterápiában és/vagy sugárterápiában részesült.
  3. A hiányos klinikai adatokkal rendelkező résztvevőnél a csontvelő és/vagy csont metasztázis állapota nem tisztázott.
  4. A résztvevőt kizárták a nem reprezentatív minták miatt, például a csontvelő-kenet nem egyértelmű vagy halvány Wright-Giemsa festődése miatt.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Neuroblasztóma csontvelő metasztázis csoporttal
A csontvelői metasztázisokkal járó neuroblasztóma diagnosztizálásához az alábbi orvosi gyakorlatok: csontvelő-biopszia, aspirációs kenet csontvelőcitológiája, áramlási citometria és pozitronemissziós tomográfia-számítógépes tomográfia (PET-CT). A csontvelő-biopszia vagy a kenetelemzés jellegzetes NB-sejteket tárhat fel. Az áramlási citometria kimutathatja a 45(CD45)-/differenciálódási antigén klaszter 56(CD56)+/differenciációs antigén klasztere 81(CD81)+/GD2 gangliozid (GD2)+ fenotípusú NB sejteket. A PET/CT képalkotás feltárja a metasztatikus NB sejteket a metabolikus aktivitás és a metasztatikus érintettség térbeli eloszlása ​​szempontjából. Ezen módszerek bármelyikének pozitív eredménye elegendő ahhoz, hogy csontvelői áttéttel rendelkező NB-t diagnosztizáljanak.

Ebben a tanulmányban megalkotjuk és értékeljük a csontvelő-citológián alapuló AI-modellt az NB kimutatására és prognózisára.

  1. A diagnosztikai modellhez AUC-metrikákat használunk, hogy értékeljük a modellt érzékenység, specifitás, pontosság, pozitív prediktív érték és negatív prediktív érték szempontjából különböző osztályozási küszöbök mellett.
  2. A prognosztikai modellhez az AUC-t használjuk teljesítménymutatóként, és számítjuk az érzékenységet és a specificitást. A túlélési görbéket Kaplan-Meier módszerrel szerkesztettük.
Neuroblasztóma csontvelő metasztázis nélkül csoport
A beiratkozott résztvevők csontvelői metasztázisának diagnosztizálásához, ha a következő vizsgálatok egyike sem ad pozitív eredményt: csontvelő-biopszia, kenet csontvelő-citológiája, áramlási citometria vagy PET/CT, a résztvevőt a neuroblasztóma kategóriába sorolják be. Csontvelő metasztázis csoport nélkül.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Neuroblasztóma csontvelői áttéttel
Időkeret: A neuroblasztóma kezdeti diagnózisától a kemoterápia vagy sugárterápia megkezdéséig tartó időszak legfeljebb 3 hónap.
a csontvelői metasztázisok diagnosztizálásának orvosi gyakorlata, beleértve a következőket: csontvelő-biopszia, aspirációs kenet csontvelő-citológiája, áramlási citometria és PET/CT. A csontvelő-biopszia vagy a kenetelemzés jellegzetes NB-sejteket tárhat fel. Az áramlási citometria kimutathatja a CD45-/CD56+/CD81+/GD2+ fenotípusú NB sejteket. A PET/CT képalkotás feltárja a metasztatikus NB sejteket a metabolikus aktivitás és a metasztatikus érintettség térbeli eloszlása ​​szempontjából. Ezen módszerek bármelyikének pozitív eredménye elegendő ahhoz, hogy csontvelői áttéttel rendelkező NB-t diagnosztizáljanak.
A neuroblasztóma kezdeti diagnózisától a kemoterápia vagy sugárterápia megkezdéséig tartó időszak legfeljebb 3 hónap.
Neuroblasztóma csontáttétekkel
Időkeret: A neuroblasztóma kezdeti diagnózisától a kemoterápia vagy sugárterápia megkezdéséig tartó időszak legfeljebb 3 hónap.
Az NB csontáttétet diagnosztizáltunk, ha a csont destrukciója vagy a csontkéreg megszakadása radiológiai vizsgálatban, beleértve a CT-t, PET/CT-t, MRI-t.
A neuroblasztóma kezdeti diagnózisától a kemoterápia vagy sugárterápia megkezdéséig tartó időszak legfeljebb 3 hónap.

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Teljes túlélési idő
Időkeret: a tanulmányok befejezéséig, legfeljebb 60 hónapig.
A teljes túlélést (OS) a neuroblasztóma diagnózisától a bármilyen okból bekövetkezett halálig eltelt időként határozták meg.
a tanulmányok befejezéséig, legfeljebb 60 hónapig.

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Nyomozók

  • Kutatásvezető: juan ma, Doctor, Xin Hua Hospital, Shanghai Jiao Tong University School of Medicine

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2024. december 1.

Elsődleges befejezés (Becsült)

2025. július 1.

A tanulmány befejezése (Becsült)

2026. december 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2024. november 19.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2024. november 21.

Első közzététel (Tényleges)

2024. november 25.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2025. május 15.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. május 12.

Utolsó ellenőrzés

2024. december 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

IGEN

IPD terv leírása

A kutatók azt tervezik, hogy megosztják az egyéni résztvevők adatait (IPD) más kutatókkal, hogy elősegítsék az átláthatóságot és megkönnyítsék a további kutatást a területen. A megosztott adatok magukban foglalják a klinikai eredményeket, a laboratóriumi eredményeket és a demográfiai információkat.

IPD megosztási időkeret

A kutatók arra számítanak, hogy az adatok az elsődleges vizsgálati eredményeknek egy lektorált folyóiratban való közzététele után hat hónappal lesznek elérhetők megosztásra, és a közzétételt követő egy éven belül hozzáférhetők maradnak.

IPD-megosztási hozzáférési feltételek

Hozzáférési terv az IPD-hez:

Kik férhetnek hozzá:

Kutatók, akadémiai intézmények és más tudósok, akik érdeklődnek a kapcsolódó területeken végzett kutatások iránt.

Amihez férhetnek hozzá:

Klinikai eredmények, laboratóriumi vizsgálati eredmények, demográfiai információk és a vizsgálattal kapcsolatos egyéb kiegészítő információk.

Hogyan férhetnek hozzá:

Be kell nyújtaniuk egy hozzáférési kérelmet, amelyben felvázolják kutatásuk célját. Minden kérelmet a vizsgálat vezető kutatója felülvizsgál, és megállapítja, hogy a hozzáférést a kutatási etika és az adathasználati szabályzat alapján engedélyezték-e. Az adatokat egy biztonságos online platformon keresztül biztosítják a magánélet és a biztonság biztosítása érdekében.

Az IPD megosztását támogató információ típusa

  • STUDY_PROTOCOL
  • NEDV
  • ICF
  • ANALYTIC_CODE
  • CSR

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

az Egyesült Államokban gyártott és onnan exportált termék

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel