MMR 状態を予測するための MRI ベースの深層学習モデルの開発
子宮内膜がんの MMR 状態を予測するための MRI ベースの深層学習モデルの開発
術前に dMMR を予測し、手術後に dMMR 関連の免疫組織化学的または遺伝子検査を必要とする人の数を減らすための便利で安価で包括的な方法を開発するために、この研究は、MRI に基づいて深層学習モデルを確立し、患者の MMR 状態を予測することを目的としています。子宮内膜癌。 手術後に子宮内膜がんと診断され、手術前に骨盤 MRI を完了した患者を集めた。 ディープ ラーニングを使用して、臨床モデルと MR 画像データを組み合わせてモデルを構築しました。 ROC曲線は、テストグループ、内部検証グループ、および外部検証グループに対して作成され、ROC曲線の下の領域が計算され、モデルの診断効果と安定性が評価されました。
デュアルしきい値トリアージ戦略を使用して、pMMR 集団 (下限しきい値を下回る)、dMMR 集団 (上限しきい値を上回る)、および母集団の不確実な部分 (しきい値の間) を選別しました。
調査の概要
詳細な説明
この研究では、手術後に子宮内膜がんと診断され、手術前に骨盤 MRI を完了した患者が 2017 年から 2022 年に収集されました。 当院では500例の収集を予定しており、375例（実験群）と125例（社内検証群）に分けられます。
外部検証のための中山大学がんセンターの100例。 研究集団の臨床データ（年齢、性別、BMI、CA125、CA19-9、MR-T病期分類、MMR関連タンパク質の免疫組織化学的結果）を収集し、臨床モデルを確立するためにロジスティクス回帰分析を実施しました。 MR 画像データを抽出、セグメント化、統合、強化します。
ディープ ラーニングを使用して、臨床モデルと MR 画像データを組み合わせてモデルを構築しました。 ROC曲線は、テストグループ、内部検証グループ、および外部検証グループに対して作成され、ROC曲線の下の領域が計算され、モデルの診断効果と安定性が評価されました。
デュアルしきい値トリアージ戦略を使用して、pMMR 集団 (下限しきい値を下回る)、dMMR 集団 (上限しきい値を上回る)、および母集団の不確実な部分 (しきい値の間) を選別しました。 予測スコアが下限しきい値を超えている場合、MMR の状態または dMMR の種類を確認するために、患者はさらに免疫組織化学的検査または遺伝子検査を受けることをお勧めします。
研究の種類
入学 (予想される)
連絡先と場所
研究連絡先
- 名前：Jing Li
- 電話番号：15915893493
- メール：lijing228@mail.sysu.edu.cn
参加基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
受講資格のある性別
サンプリング方法
調査対象母集団
説明
包含基準:
- 手術後に子宮内膜がんと診断され、2017年から2022年までに手術前に骨盤MRIを完了した患者
除外基準:
- （1）MMR関連タンパク質の免疫組織化学的検出結果はありませんでした。 (2) MRI前の放射線療法および化学療法; (3) 画像上での識別が困難な小さな腫瘍 (<5mm)。 (4) T2 強調画像品質は、明らかなモーション アーティファクトなどの ROI をプロットするには不十分です。 (5) その他の婦人科系悪性腫瘍がある
研究計画
研究はどのように設計されていますか？
デザインの詳細
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
テストグループ
私たちの病院の 375 人の患者を無作為に分けました。
|
当院の患者500名を無作為に試験群と内部検証群に分け、共同病院の患者100名を外部検証群とした。
|
|
内部検証グループ
私たちの病院の 125 人の患者を無作為に分けました。
|
当院の患者500名を無作為に試験群と内部検証群に分け、共同病院の患者100名を外部検証群とした。
|
|
外部検証グループ
中山大学がんセンターの患者100名
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
受信者動作特性曲線下の面積 (AUROC)
時間枠：一年
|
受信者動作特性曲線下の領域 (AUROC) を使用して、モデルのパフォーマンスを評価しました。
|
一年
|
協力者と研究者
捜査官
- 主任研究者：Jing Li、Sun Yat-sen Memorial Hospital,Sun Yat-sen University
研究記録日
主要日程の研究
研究開始 (予想される)
一次修了 (予想される)
研究の完了 (予想される)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。