Analisi delle immagini basate su PET/CT e apprendimento automatico delle lesioni polmonari ipermetaboliche
22 luglio 2025 aggiornato da: Hu Jiajia, Ruijin Hospital
Distinzione basata sull'imaging PET/CT del linfoma polmonare e di altre lesioni ipermetaboliche tramite manifestazioni di imaging e tecniche di apprendimento automatico: uno studio retrospettivo multicentrico
Innanzitutto, analizziamo le tipologie, i risultati dell'imaging e le relative risposte al trattamento basate sulla PET/CT per completare una visione più completa dei linfomi polmonari.
Successivamente, verranno sviluppati alcuni modelli basati su caratteristiche radiomiche per verificare la possibilità di differenziare i linfomi polmonari tramite l'apprendimento automatico e sviluppare un modello di classificazione multiclasse.
L'obiettivo finale di questo studio è sviluppare una serie di modelli di deep learning per la segmentazione preliminare delle lesioni polmonari e la classificazione multiclasse. I modelli classificheranno le lesioni polmonari avide di FDG in quattro gruppi, ciascuno definito dalla loro origine patologica, dalla terapia primaria e dal dipartimento clinico pertinente.
Panoramica dello studio
Stato
Completato
Intervento / Trattamento
Descrizione dettagliata
- Il software di estrazione delle caratteristiche dell'immagine locale (LIFEx, v 7.4.0, Francia) è stato impiegato per la revisione delle immagini e la misurazione dei dati rilevanti. Tre osservatori hanno interpretato le immagini in modo indipendente. In caso di disaccordo ha avuto la precedenza il parere di un medico esperto con esperienza ultradecennale. I risultati dell'imaging sono stati registrati sulla base degli esami di base. I conteggi delle lesioni, le posizioni e le etichette descrittive sono stati sistematicamente registrati in conformità con le norme stabilite nel rapporto di imaging. Per l'ordinamento e il calcolo dei dati è stato utilizzato il software statistico SPSS (v26.0). Il test chi-quadrato è stato utilizzato per confrontare SPL e PPL sulla base di variabili categoriali come i risultati della TC, mentre il test T è stato utilizzato per valutare variabili continue come la glicemia e il SUV. Data la predominanza delle variabili categoriali, è stato utilizzato il chi-quadrato o il test esatto di Fisher (per campioni <40 o >20% di cellule con <5 conteggi attesi) per valutare la risposta al trattamento e le prestazioni dell'imaging. Il coefficiente di correlazione di Spearman è stato utilizzato per analizzare la relazione tra variabili continue categoriali e basate su SUV.
- In questo studio, il volume metabolico del tumore ad una soglia relativa del 40% (MTV40%) è stato selezionato come volume di interesse (VOI) per l'analisi delle immagini. Per l'estrazione delle funzionalità, abbiamo utilizzato il toolkit di estrazione delle funzionalità radiomics basato su Python (v3.11.7) PyRadiomics (v3.1.0), insieme alla libreria di elaborazione di immagini mediche SimpleITK (v2.3.1), alla libreria di calcolo numerico e manipolazione dei dati Numpy (v1.26.2) e alla libreria di trasformazione wavelet PyWavelet (v1.5.0). La selezione delle funzionalità è stata condotta utilizzando RStudio (v.2023.12.0+369) basato sul linguaggio di programmazione R (v4.2.0). Per garantire l'efficienza computazionale ed evitare un adattamento eccessivo, il numero di caratteristiche conservate è stato limitato al 10% o meno del numero di lesioni nel set di addestramento. Anche l'analisi e la validazione del modello sono state eseguite principalmente utilizzando RStudio.
- Lo studio di deep learning divide il compito di identificare e classificare le lesioni polmonari ipermetaboliche in due fasi: segmentazione e classificazione. Nella fase di segmentazione, abbiamo innanzitutto utilizzato il modello 2D open source Lungmask per ritagliare automaticamente la regione polmonare dalle immagini PET/CT di tutto il corpo, garantendo che l’elaborazione successiva fosse focalizzata sull’area polmonare. Successivamente, abbiamo sviluppato un modello 3D UNet con moduli residui appositamente progettati per segmentare le lesioni polmonari ipermetaboliche. Questo modello prende come input le immagini PET/CT ritagliate, estraendo in modo efficiente le informazioni sulle lesioni dalle immagini tridimensionali e segmentando accuratamente le aree delle lesioni polmonari ipermetaboliche. Il modello è stato quindi applicato sia a set di test interni che a set di validazione esterni per l'inferenza, risultando in l'estrazione di ROI contenenti lesioni.
Tipo di studio
Osservativo
Iscrizione (Effettivo)
647
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
Shanghai
-
Shanghai, Shanghai, Cina, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
No
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
Questo studio retrospettivo ha arruolato pazienti sottoposti a esami PET/CT presso il Dipartimento di Medicina Nucleare da gennaio 2015 a febbraio 2024 in 5 istituzioni: Ruijin Hospital, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital della provincia di Anhui e il Ospedale affiliato all'Università di Medicina Tradizionale Cinese di Nanchino.
Descrizione
Criteri di inclusione:
- Pazienti adulti (≥18 anni);
- Linfoma primario o ricorrente, ≥ 6 mesi dall'ultimo trattamento; pazienti con cancro polmonare primario senza precedente tumore maligno;
- Lesioni polmonari solide benigne, senza precedente tumore maligno;
- Metastasi polmonari, non trattate con radioterapia polmonare o impianto di particelle;
- Valutazione di base che rivela lesioni polmonari PET-positive.
- Risultati patologici entro 3 mesi dalla data dell'esame, tipi di lesioni polmonari confermati tramite tracheoscopia, puntura polmonare o intervento chirurgico.
- Le lesioni polmonari al basale rimangono considerate linfoma polmonare (o metastasi) sulla base della valutazione clinica e di imaging di follow-up.
Criteri di esclusione:
- Scarsa qualità dell'immagine;
- Incapacità di delineare i confini delle lesioni polmonari sulle immagini TC;
- Artefatti causati da dispositivi vicini come stent o tubi di drenaggio.
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Linfoma polmonare
(1) Pazienti adulti (≥18 anni).
(2) Pazienti con linfoma primario o ricorrente, ≥ 6 mesi dall'ultimo trattamento.
(3) La valutazione di base in ospedale ha rivelato lesioni polmonari PET-positive, diametro massimo misurato tramite TC ≥ 3 mm, visibili su ≥ 2 strati di immagine.
(4) Risultati patologici entro 3 mesi dalla data dell'esame, tipi di lesioni polmonari confermati tramite tracheoscopia, puntura polmonare o intervento chirurgico.
Oppure le lesioni polmonari al basale del linfoma diagnosticate mediante puntura linfonodale e polmonare esterna, rimangono considerate linfoma polmonare sulla base della valutazione clinica e di imaging di follow-up.
|
Osservare le immagini mediche tramite la stazione di lavoro o il software di analisi delle immagini locale
Estrazione delle caratteristiche dell'immagine tramite radiomica o metodi di deep learning
|
|
Cancro ai polmoni
(1) Pazienti adulti (≥18 anni).
(2) Pazienti con cancro polmonare primario senza precedente tumore maligno (3) La valutazione di base in ospedale ha rivelato lesioni polmonari PET-positive, diametro massimo misurato tramite TC ≥ 3 mm, visibili su ≥ 2 strati di immagine.
(4) Risultati patologici entro 3 mesi dalla data dell'esame, tipi di lesioni polmonari confermati tramite tracheoscopia, puntura polmonare o intervento chirurgico.
|
Osservare le immagini mediche tramite la stazione di lavoro o il software di analisi delle immagini locale
Estrazione delle caratteristiche dell'immagine tramite radiomica o metodi di deep learning
|
|
Benigno
(1) Pazienti adulti (≥18 anni).
(2) Pazienti con lesioni polmonari solide benigne, senza precedente tumore maligno.
(3) La valutazione di base in ospedale ha rivelato lesioni polmonari PET-positive, diametro massimo misurato tramite TC ≥ 3 mm, visibili su ≥ 2 strati di immagine.
(4) Risultati patologici entro 3 mesi dalla data dell'esame, tipi di lesioni polmonari confermati tramite tracheoscopia, puntura polmonare o intervento chirurgico.
|
Osservare le immagini mediche tramite la stazione di lavoro o il software di analisi delle immagini locale
Estrazione delle caratteristiche dell'immagine tramite radiomica o metodi di deep learning
|
|
Metastasi
(1) Pazienti adulti (≥18 anni).
(2) Pazienti con metastasi polmonari, non trattati con radioterapia polmonare o impianto di particelle.
(3) La valutazione di base in ospedale ha rivelato lesioni polmonari PET-positive, diametro massimo misurato tramite TC ≥ 3 mm, visibili su ≥ 2 strati di immagine.
(4) Risultati patologici entro 3 mesi dalla data dell'esame, tipi di lesioni polmonari confermati tramite tracheoscopia, puntura polmonare o intervento chirurgico.
Oppure le lesioni polmonari al basale delle metastasi diagnosticate mediante puntura linfonodale e polmonare esterna, rimangono considerate metastasi polmonari sulla base della valutazione clinica e di imaging di follow-up.
|
Osservare le immagini mediche tramite la stazione di lavoro o il software di analisi delle immagini locale
Estrazione delle caratteristiche dell'immagine tramite radiomica o metodi di deep learning
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Lasso di tempo |
|---|---|
|
Funzionalità di imaging/radiomica/apprendimento profondo dell'immagine PET/CT 18F-FDG
Lasso di tempo: Linea di base
|
Linea di base
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Efficienza del modello di segmentazione
Lasso di tempo: immediatamente dopo lo sviluppo e il test dei modelli
|
L'efficacia del modello di segmentazione viene valutata dal tasso di rilevamento delle lesioni e dal coefficiente di somiglianza Dice (2(A∩B)/ (A+B), A=volume del voxel segmentato, B=volume reale del terreno), che descrivono entrambi il precisione nella divisione della lesione e dello sfondo.
|
immediatamente dopo lo sviluppo e il test dei modelli
|
|
Efficienza del modello di classificazione
Lasso di tempo: immediatamente dopo lo sviluppo e il test dei modelli
|
Il modello di classificazione viene valutato in base all'accuratezza [ (TP+TN)/(TP+FP+TN+FN)], precisione [TP/(TP+FP)], richiamo [TP/(TP+FN)], F1- punteggio [2*precisione*richiamo/(precisione+richiamo)], che descrive il rapporto tra lesioni classificate correttamente o erroneamente dei campioni sotto diversi aspetti.
Mentre la curva delle caratteristiche operative del ricevitore (ROC) può illustrarlo in modo più visivo.
L'area sotto la curva (AUC) ha calcolato la proporzione dell'area sotto la curva ROC, compresa tra 0 e 1, che rappresenta l'efficienza complessiva della classificazione in ciascun gruppo.
|
immediatamente dopo lo sviluppo e il test dei modelli
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Effettivo)
1 aprile 2024
Completamento primario (Effettivo)
20 luglio 2024
Completamento dello studio (Effettivo)
30 aprile 2025
Date di iscrizione allo studio
Primo inviato
11 settembre 2024
Primo inviato che soddisfa i criteri di controllo qualità
17 settembre 2024
Primo Inserito (Effettivo)
19 settembre 2024
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
23 luglio 2025
Ultimo aggiornamento inviato che soddisfa i criteri QC
22 luglio 2025
Ultimo verificato
1 luglio 2025
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- RuijinH 2024-70
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
prodotto fabbricato ed esportato dagli Stati Uniti
No
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 Osservare le immagini mediche
-
Ya-Wei XuWest China Hospital; Ruijin Hospital; Shanghai Ninth People's Hospital Affiliated... e altri collaboratoriSconosciutoIctus | Fibrillazione atriale non valvolare