- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06108310
RAdiogenomica basata sull’intelligenza artificiale nei tumori del colon (ATTRACT)
ATTRACT - RAdiogenomica basata sull'intelligenza artificiale nei tumori del colon
L'obiettivo di questo studio clinico è sviluppare un modello basato sull'intelligenza artificiale per valutare la firma radiogenomica del tumore del colon in pazienti con cancro del colon in stadio II-III. La domanda principale a cui si intende rispondere è:
• L'algoritmo basato sull'intelligenza artificiale delle caratteristiche radiomiche combinato con fattori clinici, biomarcatori biochimici e dati genomici può riconoscere il comportamento, l'aggressività e la prognosi del tumore, identificando una firma radiogenomica del tumore?
I partecipanti lo faranno
- sottoporsi ad un esame TC con mezzo di contrasto preoperatorio;
- sottoporsi ad asportazione chirurgica del cancro del colon
- sottoporsi a terapia adiuvante se ritenuto necessario sulla base delle attuali linee guida
Panoramica dello studio
Stato
Descrizione dettagliata
Lo studio ATTRACT consiste di una parte retrospettiva e di una prospettica. Nella parte retrospettiva dello studio, i dati radiologici, anatomopatologici e genomici di 300 pazienti con cancro del colon in stadio II-III verranno utilizzati per identificare le caratteristiche genetiche e radiomiche dei tumori del colon e gli endpoint clinici come risultati del modello predittivo.
I tumori verranno segmentati manualmente sulle immagini CT e utilizzati per la generazione del modello AI (intelligenza artificiale). Le annotazioni patologiche verranno associate ai corrispondenti profili anonimizzati. L'immunoistochimica verrà utilizzata per classificare i campioni nei 4 sottotipi molecolari in base. Verranno inoltre generati profili RNA-seq da campioni di tessuto attraverso trascrittomica mirata utilizzando pannelli NGS personalizzati (sequenziamento di prossima generazione) appositamente progettati per valutare l'espressione genica e valutare il carico mutazionale del tumore. (TMB). I dati grezzi verranno elaborati e modellati utilizzando l'analisi del percorso topologico per stratificare i pazienti in base alle caratteristiche molecolari rilevanti e definire annotazioni molecolari che verranno utilizzate per addestrare il modello per l'identificazione di specifici gruppi clinicamente rilevanti. I dati grezzi insieme ai dati radiologici verranno utilizzati per generare e addestrare i modelli AI per la segmentazione automatizzata e l'estrazione della firma radiogenomica.
Le caratteristiche radiomiche verranno estratte dai tumori segmentati manualmente. Verranno utilizzati strumenti standard di PyRadiomics e strumenti personalizzati. La robustezza delle caratteristiche sarà garantita selezionando solo quelle con un'elevata correlazione statistica tra osservatori. Verranno generate due famiglie di modelli AI, una famiglia dedicata alla segmentazione e l'altra dedicata alla fenotipizzazione basata sulla radiogenomica in base ai dati clinici, di biologia molecolare e patologici disponibili. Le due famiglie verranno fuse per la creazione del modello ATTRACT AI. Per la generazione di questi modelli verranno applicate specifiche architetture di reti neurali convoluzionali (CNN) basate sul deep learning (DL) e sull'intelligenza artificiale come UNet e MaskNet. La formazione verrà eseguita utilizzando le segmentazioni manuali della ROI (regione di interesse) come verità di base. Per la generazione di modelli di analisi radiogenomica, le caratteristiche radiomiche e genomiche verranno combinate utilizzando diversi algoritmi multivariati. Il classificatorio sarà addestrato a riconoscere i sottotipi di cancro e gli endpoint clinici.
Nella parte prospettica dello studio, verranno reclutati pazienti con cancro del colon in stadio II-III e sottoposti a un esame TC con mezzo di contrasto preoperatorio. Il tasso di reclutamento sarà di 70 pazienti all'anno, per un totale di 210 pazienti. Dopo la TC preoperatoria, l'intervento chirurgico verrà eseguito secondo i protocolli standard internazionali. Eventualmente verrà presa in considerazione la terapia adiuvante seguendo le attuali linee guida. Verrà analizzato il campione patologico del potenziale arruolamento. Innanzitutto, con i dati RNA-seq, TMB (dei geni codificanti) e dati clinici, i pazienti verranno raggruppati utilizzando due diverse tecniche dell'algoritmo Markov Cluster (MCL) e t-SNE (t-distributed stochastic neighbor embedding), Multi- Cluster di rete a strati. I pazienti saranno rappresentati come nodi di una rete, i bordi tra i nodi saranno pesati e sogliati secondo la somiglianza di Jaccard. La somiglianza verrà calcolata in base alle informazioni sull'espressione genica, sul TMB e sulle perturbazioni provenienti dall'analisi del percorso topologico. I risultati del clustering verranno confrontati con quelli provenienti dall'immunoistochimica. Dati di follow-up clinico (ad es. esito della terapia ecc...) sarà, una volta disponibile, anche inserito nel flusso di lavoro per rafforzare l'apprendimento. La conoscenza estratta verrà utilizzata per annotare il set di dati utilizzato per addestrare e convalidare la classificazione radiomica. Il campione lordo sarà analizzato al fine di estrarre diversi sottotipi molecolari trascrittomici (CMS1, CMS2, CMS3, CMS4) in accordo con il Colorectal Cancer (CRC) Subtyping Consortium (CRCSC) valutando la presenza o l'assenza di pattern di sottotipi core tra i modelli di espressione genica esistenti. algoritmi di sottotipizzazione basati su CRC. La concordanza tra il profilo molecolare patologico e l'analisi del ctDNA durante il protocollo sarà correlata alla classificazione radiomica al fine di fornire un nuovo modello di approccio diagnostico completo nel trattamento e nella sorveglianza del CRC.
I dati futuri verranno utilizzati per convalidare i modelli di intelligenza artificiale. Per i modelli di segmentazione, il coefficiente Dice verrà utilizzato come indicatore per misurare il grado di sovrapposizione tra la segmentazione automatizzata e quella esperta. Per il modello radiogenomico, le prestazioni saranno valutate utilizzando l'accuratezza, l'integrale sotto la curva dell'operatore ricevente (ROC-AUC) e la curva della decisione clinica. I ricercatori prenderanno inoltre in considerazione, per selezionare i migliori modelli di intelligenza artificiale, la risposta alla variazione delle caratteristiche di input e produrranno mappe di salienza in cui vengono evidenziate le caratteristiche dell'immagine di input che maggiormente hanno contribuito alla classificazione.
La valutazione clinica verrà eseguita ogni 6 mesi per 2 anni, compresi i test regolari del CEA (antigene carcinoembrionale) sierico e la TC del corpo intero ogni 6-12 mesi nei pazienti a più alto rischio di recidiva nei primi 3 anni successivi all'ESMO (European Society for Medical Oncology). Verranno calcolate la sopravvivenza libera da malattia (DFS) e la sopravvivenza libera da recidiva (RFS).
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Andrea Laghi, MD
- Numero di telefono: +390633775285
- Email: andrea.laghi@uniroma1.it
Luoghi di studio
-
-
RM
-
Roma, RM, Italia, 00189
- Reclutamento
- AOU Sant'Andrea
-
Contatto:
- Andrea Laghi, MD
- Numero di telefono: +390633775285
- Email: andrea.laghi@uniroma1.it
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
La fase di formazione consisterà in una selezione retrospettiva di trecento pazienti con cancro del colon in stadio II e III patologicamente accertato da un database istituzionale.
Il test e la validazione consisteranno in una raccolta dati prospettica da una nuova popolazione di pazienti. Il reclutamento dei pazienti sarà effettuato dall'Unità Operativa Oncologica e dall'Unità di Chirurgia dell'Azienda Ospedaliera Sant'Andrea – Sapienza Università di Roma. Dal campione ottenuto durante l'intervento chirurgico verranno estratti gli aspetti anatomo-patologici e genomici e verranno raccolti campioni di sangue per l'analisi del ctDNA prima e durante le visite di chemioterapia/follow-up (entro 30 giorni dall'intervento chirurgico colorettale, dopo 3 e poi ogni 6 mesi)
Descrizione
Criterio di inclusione:
- pazienti con cancro del colon di stadio II e stadio III patologicamente accertato;
- disponibilità di una TC con fase portale-venosa al momento della diagnosi;
- disponibilità del pannello immunoistochimico
Criteri di esclusione:
- pazienti senza immagini TC prima della resezione chirurgica;
- pazienti con scansioni TC caratterizzate da artefatti da movimento che impediscono l'analisi radiomica
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Lasso di tempo |
---|---|
Identificazione della firma radiogenomica (modello ATTRACT AI) dei tumori del colon in stadio II-III
Lasso di tempo: Da gennaio 2021 a dicembre 2023
|
Da gennaio 2021 a dicembre 2023
|
Misure di risultato secondarie
Misura del risultato |
Lasso di tempo |
---|---|
Correlazione della firma radiogenomica (modello ATTRACT AI) del cancro del colon con gli esiti clinici (DFS e RFS)
Lasso di tempo: Da gennaio 2024 a dicembre 2025
|
Da gennaio 2024 a dicembre 2025
|
Collaboratori e investigatori
Sponsor
Collaboratori
Investigatori
- Investigatore principale: Andrea Laghi, MD, University of Roma La Sapienza
Pubblicazioni e link utili
Pubblicazioni generali
- Bettegowda C, Sausen M, Leary RJ, Kinde I, Wang Y, Agrawal N, Bartlett BR, Wang H, Luber B, Alani RM, Antonarakis ES, Azad NS, Bardelli A, Brem H, Cameron JL, Lee CC, Fecher LA, Gallia GL, Gibbs P, Le D, Giuntoli RL, Goggins M, Hogarty MD, Holdhoff M, Hong SM, Jiao Y, Juhl HH, Kim JJ, Siravegna G, Laheru DA, Lauricella C, Lim M, Lipson EJ, Marie SK, Netto GJ, Oliner KS, Olivi A, Olsson L, Riggins GJ, Sartore-Bianchi A, Schmidt K, Shih lM, Oba-Shinjo SM, Siena S, Theodorescu D, Tie J, Harkins TT, Veronese S, Wang TL, Weingart JD, Wolfgang CL, Wood LD, Xing D, Hruban RH, Wu J, Allen PJ, Schmidt CM, Choti MA, Velculescu VE, Kinzler KW, Vogelstein B, Papadopoulos N, Diaz LA Jr. Detection of circulating tumor DNA in early- and late-stage human malignancies. Sci Transl Med. 2014 Feb 19;6(224):224ra24. doi: 10.1126/scitranslmed.3007094.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Miller KD, Siegel RL, Lin CC, Mariotto AB, Kramer JL, Rowland JH, Stein KD, Alteri R, Jemal A. Cancer treatment and survivorship statistics, 2016. CA Cancer J Clin. 2016 Jul;66(4):271-89. doi: 10.3322/caac.21349. Epub 2016 Jun 2.
- Guinney J, Dienstmann R, Wang X, de Reynies A, Schlicker A, Soneson C, Marisa L, Roepman P, Nyamundanda G, Angelino P, Bot BM, Morris JS, Simon IM, Gerster S, Fessler E, De Sousa E Melo F, Missiaglia E, Ramay H, Barras D, Homicsko K, Maru D, Manyam GC, Broom B, Boige V, Perez-Villamil B, Laderas T, Salazar R, Gray JW, Hanahan D, Tabernero J, Bernards R, Friend SH, Laurent-Puig P, Medema JP, Sadanandam A, Wessels L, Delorenzi M, Kopetz S, Vermeulen L, Tejpar S. The consensus molecular subtypes of colorectal cancer. Nat Med. 2015 Nov;21(11):1350-6. doi: 10.1038/nm.3967. Epub 2015 Oct 12.
- Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18.
- Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, Verlingue L, Brandao D, Lancia A, Ammari S, Hollebecque A, Scoazec JY, Marabelle A, Massard C, Soria JC, Robert C, Paragios N, Deutsch E, Ferte C. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018 Sep;19(9):1180-1191. doi: 10.1016/S1470-2045(18)30413-3. Epub 2018 Aug 14.
- Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, Sanduleanu S, Larue RTHM, Even AJG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017 Dec;14(12):749-762. doi: 10.1038/nrclinonc.2017.141. Epub 2017 Oct 4.
- Glynne-Jones R, Wyrwicz L, Tiret E, Brown G, Rodel C, Cervantes A, Arnold D; ESMO Guidelines Committee. Rectal cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2017 Jul 1;28(suppl_4):iv22-iv40. doi: 10.1093/annonc/mdx224. No abstract available. Erratum In: Ann Oncol. 2018 Oct 1;29(Suppl 4):iv263.
- Merker JD, Oxnard GR, Compton C, Diehn M, Hurley P, Lazar AJ, Lindeman N, Lockwood CM, Rai AJ, Schilsky RL, Tsimberidou AM, Vasalos P, Billman BL, Oliver TK, Bruinooge SS, Hayes DF, Turner NC. Circulating Tumor DNA Analysis in Patients With Cancer: American Society of Clinical Oncology and College of American Pathologists Joint Review. J Clin Oncol. 2018 Jun 1;36(16):1631-1641. doi: 10.1200/JCO.2017.76.8671. Epub 2018 Mar 5.
- Bosman FT. Tumor Heterogeneity: Will It Change What Pathologists Do. Pathobiology. 2018;85(1-2):18-22. doi: 10.1159/000469664. Epub 2017 May 9.
- Chakraborty S, Hosen MI, Ahmed M, Shekhar HU. Onco-Multi-OMICS Approach: A New Frontier in Cancer Research. Biomed Res Int. 2018 Oct 3;2018:9836256. doi: 10.1155/2018/9836256. eCollection 2018.
- Chen S, Zhang N, Shao J, Wang T, Wang X. Multi-omics Perspective on the Tumor Microenvironment based on PD-L1 and CD8 T-Cell Infiltration in Urothelial Cancer. J Cancer. 2019 Jan 1;10(3):697-707. doi: 10.7150/jca.28494. eCollection 2019.
- Hondermarck, H., Cancer Omics: A Special Issue to Highlight Where We Are Heading. Proteomics, 2018. 18(24): p. e180038
- Huang L, Brunell D, Stephan C, Mancuso J, Yu X, He B, Thompson TC, Zinner R, Kim J, Davies P, Wong STC. Driver network as a biomarker: systematic integration and network modeling of multi-omics data to derive driver signaling pathways for drug combination prediction. Bioinformatics. 2019 Oct 1;35(19):3709-3717. doi: 10.1093/bioinformatics/btz109.
- Long NP, Jung KH, Anh NH, Yan HH, Nghi TD, Park S, Yoon SJ, Min JE, Kim HM, Lim JH, Kim JM, Lim J, Lee S, Hong SS, Kwon SW. An Integrative Data Mining and Omics-Based Translational Model for the Identification and Validation of Oncogenic Biomarkers of Pancreatic Cancer. Cancers (Basel). 2019 Jan 29;11(2):155. doi: 10.3390/cancers11020155.
- Dienstmann R, Vermeulen L, Guinney J, Kopetz S, Tejpar S, Tabernero J. Consensus molecular subtypes and the evolution of precision medicine in colorectal cancer. Nat Rev Cancer. 2017 Feb;17(2):79-92. doi: 10.1038/nrc.2016.126. Epub 2017 Jan 4. Erratum In: Nat Rev Cancer. 2017 Mar 23;17 (4):268.
- Dunne PD, O'Reilly PG, Coleman HG, Gray RT, Longley DB, Johnston PG, Salto-Tellez M, Lawler M, McArt DG. Stratified analysis reveals chemokine-like factor (CKLF) as a potential prognostic marker in the MSI-immune consensus molecular subtype CMS1 of colorectal cancer. Oncotarget. 2016 Jun 14;7(24):36632-36644. doi: 10.18632/oncotarget.9126.
- Roseweir AK, McMillan DC, Horgan PG, Edwards J. Colorectal cancer subtypes: Translation to routine clinical pathology. Cancer Treat Rev. 2017 Jun;57:1-7. doi: 10.1016/j.ctrv.2017.04.006. Epub 2017 May 4.
- Thanki K, Nicholls ME, Gajjar A, Senagore AJ, Qiu S, Szabo C, Hellmich MR, Chao C. Consensus Molecular Subtypes of Colorectal Cancer and their Clinical Implications. Int Biol Biomed J. 2017 Summer;3(3):105-111. Epub 2017 Jun 13.
- Wang W, Kandimalla R, Huang H, Zhu L, Li Y, Gao F, Goel A, Wang X. Molecular subtyping of colorectal cancer: Recent progress, new challenges and emerging opportunities. Semin Cancer Biol. 2019 Apr;55:37-52. doi: 10.1016/j.semcancer.2018.05.002. Epub 2018 May 18.
- Horvat N, Veeraraghavan H, Khan M, Blazic I, Zheng J, Capanu M, Sala E, Garcia-Aguilar J, Gollub MJ, Petkovska I. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy. Radiology. 2018 Jun;287(3):833-843. doi: 10.1148/radiol.2018172300. Epub 2018 Mar 7.
- Pinker K, Chin J, Melsaether AN, Morris EA, Moy L. Precision Medicine and Radiogenomics in Breast Cancer: New Approaches toward Diagnosis and Treatment. Radiology. 2018 Jun;287(3):732-747. doi: 10.1148/radiol.2018172171.
- Cozzi L, Comito T, Fogliata A, Franzese C, Franceschini D, Bonifacio C, Tozzi A, Di Brina L, Clerici E, Tomatis S, Reggiori G, Lobefalo F, Stravato A, Mancosu P, Zerbi A, Sollini M, Kirienko M, Chiti A, Scorsetti M. Computed tomography based radiomic signature as predictive of survival and local control after stereotactic body radiation therapy in pancreatic carcinoma. PLoS One. 2019 Jan 18;14(1):e0210758. doi: 10.1371/journal.pone.0210758. eCollection 2019.
- Diamant A, Chatterjee A, Vallieres M, Shenouda G, Seuntjens J. Deep learning in head & neck cancer outcome prediction. Sci Rep. 2019 Feb 26;9(1):2764. doi: 10.1038/s41598-019-39206-1.
- Li S, Wang K, Hou Z, Yang J, Ren W, Gao S, Meng F, Wu P, Liu B, Liu J, Yan J. Use of Radiomics Combined With Machine Learning Method in the Recurrence Patterns After Intensity-Modulated Radiotherapy for Nasopharyngeal Carcinoma: A Preliminary Study. Front Oncol. 2018 Dec 21;8:648. doi: 10.3389/fonc.2018.00648. eCollection 2018.
- Neri E, Del Re M, Paiar F, Erba P, Cocuzza P, Regge D, Danesi R. Radiomics and liquid biopsy in oncology: the holons of systems medicine. Insights Imaging. 2018 Dec;9(6):915-924. doi: 10.1007/s13244-018-0657-7. Epub 2018 Nov 14.
- Rizzo S, Botta F, Raimondi S, Origgi D, Fanciullo C, Morganti AG, Bellomi M. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018 Nov 14;2(1):36. doi: 10.1186/s41747-018-0068-z.
- Lo CM, Iqbal U, Li YJ. Cancer quantification from data mining to artificial intelligence. Comput Methods Programs Biomed. 2017 Jul;145:A1. doi: 10.1016/S0169-2607(17)30594-1. No abstract available.
- Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology's next frontier? Clin Imaging. 2018 May-Jun;49:87-88. doi: 10.1016/j.clinimag.2017.11.007. Epub 2017 Nov 16.
- Azuaje F. Artificial intelligence for precision oncology: beyond patient stratification. NPJ Precis Oncol. 2019 Feb 25;3:6. doi: 10.1038/s41698-019-0078-1. eCollection 2019.
- Liang C, Huang Y, He L, Chen X, Ma Z, Dong D, Tian J, Liang C, Liu Z. The development and validation of a CT-based radiomics signature for the preoperative discrimination of stage I-II and stage III-IV colorectal cancer. Oncotarget. 2016 May 24;7(21):31401-12. doi: 10.18632/oncotarget.8919.
- Bibault JE, Giraud P, Housset M, Durdux C, Taieb J, Berger A, Coriat R, Chaussade S, Dousset B, Nordlinger B, Burgun A. Deep Learning and Radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep. 2018 Aug 22;8(1):12611. doi: 10.1038/s41598-018-30657-6. Erratum In: Sci Rep. 2018 Nov 12;8(1):16914.
- Park BW, Kim JK, Heo C, Park KJ. Reliability of CT radiomic features reflecting tumour heterogeneity according to image quality and image processing parameters. Sci Rep. 2020 Mar 2;10(1):3852. doi: 10.1038/s41598-020-60868-9.
- Soomro MH, Coppotelli M, Conforto S, Schmid M, Giunta G, Del Secco L, Neri E, Caruso D, Rengo M, Laghi A. Automated Segmentation of Colorectal Tumor in 3D MRI Using 3D Multiscale Densely Connected Convolutional Neural Network. J Healthc Eng. 2019 Jan 31;2019:1075434. doi: 10.1155/2019/1075434. eCollection 2019.
- Lenchik L, Heacock L, Weaver AA, Boutin RD, Cook TS, Itri J, Filippi CG, Gullapalli RP, Lee J, Zagurovskaya M, Retson T, Godwin K, Nicholson J, Narayana PA. Automated Segmentation of Tissues Using CT and MRI: A Systematic Review. Acad Radiol. 2019 Dec;26(12):1695-1706. doi: 10.1016/j.acra.2019.07.006. Epub 2019 Aug 10.
- Caruso D, Zerunian M, Ciolina M, de Santis D, Rengo M, Soomro MH, Giunta G, Conforto S, Schmid M, Neri E, Laghi A. Haralick's texture features for the prediction of response to therapy in colorectal cancer: a preliminary study. Radiol Med. 2018 Mar;123(3):161-167. doi: 10.1007/s11547-017-0833-8. Epub 2017 Nov 8.
- Ferrari R, Mancini-Terracciano C, Voena C, Rengo M, Zerunian M, Ciardiello A, Grasso S, Mare' V, Paramatti R, Russomando A, Santacesaria R, Satta A, Solfaroli Camillocci E, Faccini R, Laghi A. MR-based artificial intelligence model to assess response to therapy in locally advanced rectal cancer. Eur J Radiol. 2019 Sep;118:1-9. doi: 10.1016/j.ejrad.2019.06.013. Epub 2019 Jun 22.
- Horvat N, Bates DDB, Petkovska I. Novel imaging techniques of rectal cancer: what do radiomics and radiogenomics have to offer? A literature review. Abdom Radiol (NY). 2019 Nov;44(11):3764-3774. doi: 10.1007/s00261-019-02042-y.
- Trinh A, Trumpi K, De Sousa E Melo F, Wang X, de Jong JH, Fessler E, Kuppen PJ, Reimers MS, Swets M, Koopman M, Nagtegaal ID, Jansen M, Hooijer GK, Offerhaus GJ, Kranenburg O, Punt CJ, Medema JP, Markowetz F, Vermeulen L. Practical and Robust Identification of Molecular Subtypes in Colorectal Cancer by Immunohistochemistry. Clin Cancer Res. 2017 Jan 15;23(2):387-398. doi: 10.1158/1078-0432.CCR-16-0680. Epub 2016 Jul 26.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- IG24974
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 .
Prove cliniche su Cancro al colon stadio II
-
Emory UniversityNational Cancer Institute (NCI)RitiratoCancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nel cervello | Carcinoma mammario metastatico | Anatomic Stage IV Breast Cancer American Joint Committee on Cancer (AJCC) v8
-
NRG OncologyNational Cancer Institute (NCI)Attivo, non reclutanteCancro al seno in stadio anatomico IV AJCC v8 | Cancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nell'osso | Neoplasia maligna metastatica nei linfonodi | Neoplasia maligna metastatica nel fegato | Carcinoma mammario metastatico | Neoplasia maligna metastatica nel... e altre condizioniStati Uniti, Canada, Arabia Saudita, Corea, Repubblica di
-
Rutgers, The State University of New JerseyNational Cancer Institute (NCI)ReclutamentoCarcinomatosi peritoneale | Neoplasia dell'apparato digerente | Carcinoma del fegato e del dotto biliare intraepatico | Appendice Carcinoma di AJCC V8 Stage | Carcinoma colorettale di AJCC V8 Stage | Carcinoma esofageo di AJCC V8 Stage | Carcinoma gastrico di AJCC V8 StageStati Uniti
-
King Faisal Specialist Hospital & Research CenterCompletatoCancro al colon-retto Duke Stage StagevalArabia Saudita
-
City of Hope Medical CenterNational Cancer Institute (NCI)Attivo, non reclutanteLinfoma di Hodgkin classico | Linfoma di Hodgkin classico ricco di linfociti | Linfoma di Hodgkin stadio IB di Ann Arbor | Linfoma di Hodgkin in stadio II di Ann Arbor | Linfoma di Hodgkin stadio IIA di Ann Arbor | Linfoma di Hodgkin in stadio IIB di Ann Arbor | Linfoma di Hodgkin stadio I di Ann... e altre condizioniStati Uniti
-
Case Comprehensive Cancer CenterNational Cancer Institute (NCI)CompletatoCancro al colon in stadio I | Cancro del retto in stadio I | Cancro al colon in stadio II | Cancro del retto in stadio II | Cancro al colon in stadio III | Cancro del retto in stadio IIIStati Uniti
-
Technische Universität DresdenReclutamentoCancro al colon stadio IIGermania
-
Austrian Breast & Colorectal Cancer Study GroupCompletatoCancro al colon stadio IIAustria
-
Sohag UniversityAttivo, non reclutanteCancro al colon stadio II | Cancro al colon stadio IEgitto
-
Vaccinogen IncSconosciutoCancro al colon in stadio IIStati Uniti