Apprendimento automatico nella risposta al mieloma (MALIMAR)
Sviluppo di un supporto di apprendimento automatico per la lettura dell'imaging a risonanza magnetica ponderata per la diffusione di tutto il corpo (WB-DW-MRI) nel mieloma per il rilevamento e la quantificazione dell'estensione della malattia prima e dopo il trattamento
La risonanza magnetica per immagini di tutto il corpo (WB-MRI) pesata in diffusione è una nuova tecnica che si basa sulla tecnologia di risonanza magnetica (MRI) esistente. Utilizza il movimento delle molecole d'acqua nel tessuto umano per definire con grande precisione le cellule cancerose dalle cellule normali. Usando questa tecnica i ricercatori possono definire molto più accuratamente la diffusione e il tasso di crescita del cancro. Queste informazioni sono fondamentali nella selezione dei percorsi terapeutici dei pazienti. Le immagini WB-MRI sono ottenute per l'intero corpo in una singola scansione. A differenza di altre tecniche di imaging come la tomografia computerizzata (TC) o la tomografia a emissione di positroni (PET), la PET/TC non comporta alcuna esposizione alle radiazioni.
Nonostante i notevoli vantaggi che questa nuova tecnica porta, compresa la valutazione "a colpo d'occhio" dell'estensione dello stato della malattia, WB-MRI richiede un aumento significativo del tempo necessario per interpretare una scansione. Questo perché una scansione dell'intero corpo in genere comprende diverse migliaia di immagini. L'apprendimento automatico (ML) è una tecnica informatica in cui i computer possono essere "addestrati" per individuare rapidamente i siti della malattia e quindi aiutare l'interpretazione esperta del radiologo. Se, come credono gli investigatori, questa tecnica aiuterà il radiologo a interpretare le scansioni dei pazienti con mieloma in modo più accurato e rapido, potrebbe essere adottata più ampiamente dal NHS e portare benefici alla cura del paziente.
I ricercatori condurranno un piano di ricerca in tre fasi in cui il software ML sarà sviluppato e testato con l'obiettivo di ottenere un'interpretazione più rapida e accurata delle scansioni WB-MRI nei pazienti affetti da mieloma.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Fondamento logico:
La risonanza magnetica di tutto il corpo pesata in diffusione (WB-MRI) è una tecnica che rappresenta i depositi di mieloma nel midollo osseo. WB-MRI copre l'intero corpo nel corso di una singola scansione e può essere utilizzato per rilevare i siti della malattia senza utilizzare radiazioni ionizzanti. Sebbene la WB-MRI consenta una valutazione "a colpo d'occhio" del carico di malattia, richiede una notevole esperienza per identificare e quantificare con precisione il mieloma attivo. La tecnica richiede molto tempo per la segnalazione a causa del gran numero di immagini. Un'ulteriore sfida è riconoscere se un paziente ha una malattia residua dopo il trattamento. L'apprendimento automatico (ML) è una tecnica informatica che può essere addestrata per rilevare automaticamente i siti della malattia al fine di supportare l'interpretazione del radiologo. Gli investigatori ritengono che questa tecnica aiuterà il radiologo a interpretare la scansione in modo più accurato e rapido.
Algoritmi di apprendimento automatico sono stati sviluppati con successo per riconoscere alcuni altri tipi di cancro. I ricercatori ritengono che possa avere successo nei pazienti con mieloma, nei quali il National Institute for Health and Care Excellence (NICE) raccomanda la risonanza magnetica di tutto il corpo. Ciò potrebbe consentire alla tecnica di essere più ampiamente utilizzata nel Servizio Sanitario Nazionale (NHS). Nello studio MALIMAR i ricercatori svilupperanno e testeranno metodi ML che hanno il potenziale per aumentare l'accuratezza e ridurre il tempo di lettura delle scansioni WB-MRI nei pazienti affetti da mieloma. I ricercatori propongono di sviluppare strumenti ML per rilevare e quantificare la malattia attiva prima e dopo il trattamento sulla base di WB-MRI.
La ricerca sarà condotta presso il Royal Marsden Hospital (RMH) NHS Foundation Trust, l'Institute of Cancer Research (ICR) di Londra e l'Imperial College di Londra. Gli investigatori useranno scansioni Whole Body MRI (WB-MRI) che sono già state acquisite nei pazienti affetti da mieloma. Includeranno anche 50 nuove scansioni ottenute presso RMH da scansioni di volontari sani che verranno utilizzate per "insegnare" al computer a distinguere tra tessuti sani e malati.
Progetto di ricerca:
La ricerca si articolerà in tre parti:
- Sviluppo dello strumento Machine Learning (ML) per rilevare il mieloma attivo
- Misurazione della capacità dello strumento ML di migliorare l'interpretazione da parte dei radiologi delle scansioni WB-MRI utilizzando una serie di scansioni di pazienti con mieloma attivo e inattivo e nuove scansioni ottenute da volontari sani
- Sviluppo dello strumento ML per quantificare il carico di malattia e i cambiamenti tra le scansioni WB-MRI pre e post trattamento al fine di identificare la risposta al trattamento
La principale misura di esito per questo studio sarà il miglioramento nel rilevamento della malattia attiva e del carico di malattia e la riduzione del tempo di lettura radiologica. Gli investigatori valuteranno la riduzione del tempo di lettura sia in radiologi specialisti esperti che non specialisti.
Tipo di studio
Iscrizione (Anticipato)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
-
London, Regno Unito, SW3 6JB
- Institute of Cancer Research, London
-
London, Regno Unito, W12 0NN
- Imperial College, London
-
-
Surrey
-
Sutton, Surrey, Regno Unito, SM2 5PT
- Department of Radiology, The Royal Marsden NHS Foundation Trust
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Descrizione
Criteri di inclusione (volontari sani):
- In grado di fornire il consenso informato scritto
- Nessuna controindicazione alla risonanza magnetica
- 40 anni o più di età (età corrispondente il più possibile al set di scansione WB-MRI)
- Nessuna malattia significativa nota
- Nessun impianto metallico noto
Criteri di esclusione:
- Non è in grado di fornire il consenso informato scritto
- Una controindicazione alla risonanza magnetica
- <40 anni o più di età (età corrispondente il più possibile al set di scansione WB-MRI)
- Una nota malattia significativa
- Un noto impianto metallico
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Diagnostico
- Assegnazione: Non randomizzato
- Modello interventistico: Assegnazione di gruppo singolo
- Mascheramento: Separare
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Altro: Fase 1 - Set di addestramento dati di scansione misti
Apprendimento automatico (ML): un insieme di dati misti di 200 scansioni WB-MRI comprendenti scansioni ottenute da 40 volontari sani (scansionati ai fini dello studio), 40 scansioni WB-MRI del mieloma inattivo acquisite in precedenza e 120 scansioni WB-MRI del mieloma attivo acquisite in precedenza Scansioni MRI, in cui l'apprendimento automatico e le reti neurali convoluzionali saranno addestrate a riconoscere il midollo sano, il mieloma precedente inattivo trattato e il mieloma attivo.
Verrà sviluppato un algoritmo per i test nella fase 2.
|
Applicazione dell'algoritmo di supporto ML per accelerare e migliorare l'interpretazione umana delle scansioni WB-MRI nei pazienti con mieloma
Altri nomi:
|
|
Altro: Fase 2 - Set di convalida dei dati di scansione misti
Apprendimento automatico (ML): un insieme di dati misti di 353 scansioni WB-MRI comprendenti 50 volontari sani (scansionati ai fini dello studio) e scansioni acquisite in precedenza da 303 pazienti affetti da mieloma, 100 dei quali con malattia inattiva e 203 di che hanno il mieloma attivo.
Le scansioni verranno lette dai radiologi in ordine casuale con o senza il supporto di per il rilevamento del mieloma attivo.
Le prestazioni diagnostiche delle letture radiologiche con o senza il supporto dell'apprendimento automatico saranno misurate rispetto a uno standard di riferimento del gruppo di esperti.
|
Applicazione dell'algoritmo di supporto ML per accelerare e migliorare l'interpretazione umana delle scansioni WB-MRI nei pazienti con mieloma
Altri nomi:
|
|
Altro: Fase 3 - Set di dati accoppiati relativi al carico di malattia
Apprendimento automatico (ML): circa 200 scansioni WB-MRI accoppiate di 100 pazienti (scansionate al basale con malattia attiva e quindi dopo il trattamento) verranno utilizzate per sviluppare uno strumento di apprendimento automatico per quantificare il carico della malattia.
L'algoritmo di apprendimento automatico verrà quindi testato su un ulteriore set aggiuntivo di 60 pazienti che in precedenza erano stati sottoposti a due scansioni WB-MRI comprendenti scansioni di base accoppiate (con malattia attiva) e post-trattamento.
L'accordo dei lettori di radiologia per valutare il carico di malattia sarà misurato rispetto allo standard di riferimento (gruppo di esperti) con e senza il supporto dell'apprendimento automatico.
|
Applicazione dell'algoritmo di supporto ML per accelerare e migliorare l'interpretazione umana delle scansioni WB-MRI nei pazienti con mieloma
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Sensibilità dell'algoritmo di apprendimento automatico per rilevare il mieloma
Lasso di tempo: 20 mesi
|
Sensibilità per il rilevamento del mieloma attivo su WB-MRI con e senza supporto ML rispetto allo standard di riferimento
|
20 mesi
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Livello di accordo nella valutazione del carico di malattia
Lasso di tempo: 5 mesi
|
Accordo tra lettori e standard di riferimento nel punteggio del carico di malattia complessivo con e senza intervento di ML
|
5 mesi
|
|
Livello di accordo per classificare la diffusione della malattia
Lasso di tempo: 20 mesi
|
Concordanza dell'algoritmo di apprendimento automatico con lo standard di riferimento per classificare la diffusione della malattia valutata come accuratezza percentuale
|
20 mesi
|
|
Quantificazione dei miglioramenti per identificare correttamente la malattia in base al sito e al tempo di lettura
Lasso di tempo: 20 mesi
|
Sensibilità per sito per diagnosticare la malattia attiva
|
20 mesi
|
|
Differenza nel tempo di lettura con e senza Machine Learning
Lasso di tempo: 20 mesi
|
Differenza nel tempo di lettura valutata in minuti
|
20 mesi
|
|
Specificità per l'identificazione della malattia attiva con e senza Machine Learning
Lasso di tempo: 20 mesi
|
Specificità per sito per diagnosticare la malattia attiva
|
20 mesi
|
|
Sensibilità per rilevare la malattia attiva nei lettori non esperti con e senza Machine Learning
Lasso di tempo: 20 mesi
|
Sensibilità per sito per diagnosticare la malattia attiva
|
20 mesi
|
|
Accordo nella categorizzazione della malattia attiva
Lasso di tempo: 20 mesi
|
Accordo percentuale
|
20 mesi
|
|
Differenza nel tempo di lettura per il punteggio del carico di malattia con e senza Machine Learning
Lasso di tempo: 5 mesi
|
Differenza nel tempo di lettura valutata in minuti
|
5 mesi
|
|
Accordo nella categorizzazione dei responder e dei non-responder con lo standard di riferimento
Lasso di tempo: 5 mesi
|
Accordo percentuale
|
5 mesi
|
|
Accordo nella categorizzazione dei responder alla malattia e dei non-responder nei lettori non esperti
Lasso di tempo: 5 mesi
|
Accordo percentuale
|
5 mesi
|
|
Accordo nella valutazione del carico di malattia nei lettori non esperti
Lasso di tempo: 5 mesi
|
Accordo percentuale
|
5 mesi
|
|
Differenza nei costi del tempo di lettura in radiologia con e senza Machine Learning
Lasso di tempo: 20 mesi
|
Denominazioni selezionate
|
20 mesi
|
Altre misure di risultato
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Previsione delle prestazioni di segmentazione dell'algoritmo di apprendimento automatico
Lasso di tempo: 20 mesi
|
Accordo percentuale
|
20 mesi
|
Collaboratori e investigatori
Investigatori
- Direttore dello studio: Andrea G Rockall, FRCR, The Royal Marsden NHS Foundation Trust and Imperial College London
- Investigatore principale: Christina Messiou, MD, FRCR, The Royal Marsden NHS Foundation Trust and Institute of Cancer Research
Pubblicazioni e link utili
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Anticipato)
Completamento dello studio (Anticipato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
- Malattia cardiovascolare
- Malattie vascolari
- Malattie del sistema immunitario
- Neoplasie per tipo istologico
- Neoplasie
- Malattie linfoproliferative
- Disturbi immunoproliferativi
- Malattie ematologiche
- Disturbi emorragici
- Disturbi emostatici
- Paraproteinemie
- Disturbi delle proteine del sangue
- Mieloma multiplo
- Neoplasie, plasmacellule
Altri numeri di identificazione dello studio
- CCR 4820
- 233501 (Altro identificatore: Integrated Research Application System (IRAS))
- 16/68/34 (Altro numero di sovvenzione/finanziamento: National Institute for Health Research (NIHR))
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .