胸腺上皮腫瘍における人工知能予測ツール (INTHYM)
胸腺上皮腫瘍の組織病理学的分類と再発予測のための人工知能
この多中心観察研究は、AI モデルを使用して胸腺上皮腫瘍の分類を強化し、再発リスクを予測することを目的としています。 このプロジェクトでは、デジタル病理学と臨床変数を分析することで、現在の WHO 分類システムの不一致に対処します。
主な質問:
- AI モデルは胸腺上皮腫瘍の分類の精度を向上させることができますか?
- AI モデルは、WHO 分類システムと比較して再発リスクをより正確に予測しますか?
参加者のタスク:
- デジタル病理学分析。
- 正確な分類と再発リスク予測のための AI モデルを開発します。
比較グループ:
研究者は、AI 強化分類と WHO システムを比較して、AI モデルがより正確なサブタイプを提供し、再発リスクをより適切に予測できるかどうかを判断します。
研究デザイン:
この国際プロジェクトでは、ロッテルダム、マーストリヒト、リヨンの 3 つのデータベースを利用しており、1 つのデータベースは AI モデルの構築に、他の 2 つは外部検証に使用されます。
最終目標:
病理学者が胸腺上皮腫瘍を正確にサブタイピングできるように支援する AI モデルを開発し、より個別化された効果的な治療のために補助放射線療法による過小治療または過剰治療を防ぎます。
調査の概要
詳細な説明
胸腺上皮腫瘍は、前縦隔に発生するまれな新生物です。 治療の基本は外科的切除です。 術後放射線療法の投与は通常、より広範な局所疾患、不完全切除、および/またはWHOの組織病理学的分類で定義されるより悪性度の高いサブタイプを有する患者に適応されます。
この分類では、胸腺腫タイプ A、AB、B1、B2、B3、および胸腺癌が区別されます。 研究では、これらの腫瘍のサブタイプ分類において病理学者間で大きな不一致が示されています。 さらに、サブタイプ内では患者の予後が異なるため、WHO 分類だけでは再発のリスクを正確に予測できません。
私たちは、デジタル病理学と関連する臨床変数を使用して AI モデルを開発し、胸腺上皮腫瘍の組織病理学的分類の精度を向上させ、再発リスクをより適切に予測します。
この多中心的かつ国際的なプロジェクトでは、ロッテルダム、マーストリヒト、リヨンの 3 つの既存のデータベースが使用されます。 すべてのモデルについて、1 つのデータベースは AI モデルの構築に使用され、他の 2 つは外部検証に使用されます。
このプロジェクトの最終目標は、補助放射線療法による患者の過小治療または過剰治療を防ぐために、病理学者が胸腺上皮腫瘍を正確にサブタイピングするのをサポートする AI モデルを開発することです。
研究の種類
入学 (推定)
連絡先と場所
研究連絡先
- 名前：Anna Salut Esteve Domínguez
- 電話番号：0107043491
- メール：a.estevedominguez@erasmusmc.nl
研究場所
-
-
South Holland
-
Rotterdam、South Holland、オランダ、3015 GD
- 募集
- Erasmus MC
-
コンタクト：
- Anna Salut Esteve Domínguez
- メール：a.estevedominguez@erasmusmc.nl
-
-
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
サンプリング方法
調査対象母集団
調査対象母集団：
この研究は、胸腺上皮腫瘍と診断された個人に焦点を当てています。 この研究には、エラスムス MC (患者 710 人)、マーストロ (患者 137 人)、リヨン大学病院 (患者 181 人) の 3 つのデータセットからの患者が含まれています。
追加情報：
- Erasmus MC (患者 710 人): 年齢、性別、診断情報が含まれます。各患者は複数のスライド全体の画像を持っている場合があります。
- Maastro (患者 137 人): 各患者は複数のスライド全体の画像を持っている可能性があります。
- リヨン大学病院 (患者 181 人): 各患者には複数の全体のスライド画像がある場合があります。
説明
包含基準:
特定の診断を受けた参加者は研究に参加する資格があります。 適格な診断には、胸腺腫および胸腺癌のさまざまなサブタイプが含まれます。具体的には次のとおりです。
- 胸腺腫A
- 胸腺腫 AB
- 胸腺腫B1
- 胸腺腫B2
- 胸腺腫 B3
- 胸腺癌
包含は、一致レベルが 70% 未満のコンセンサス診断に基づいています。 この基準は、モデルのトレーニング段階で適用されます。
再発基準:
5 年以内に再発結果が文書化されている参加者は、この側面の研究の参加資格があるとみなされます。 この基準は主に検証フェーズ中に適用されます。
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 |
|---|---|
|
TET患者
以下の TET サブタイプと診断された患者:
|
AI Diagnostics は、高度なアルゴリズムを使用して正確な組織学的画像分析を行い、サブタイプを含む疾患の診断に役立ちます。
他の名前：
|
|
再発
再発を経験した胸腺上皮腫瘍の患者。
|
このAIツールは、胸腺腫瘍データおよびその他の臨床データを評価し、再発リスクを計算し、胸腺上皮腫瘍の特定のサブタイプと臨床データとの関連性を分析することを目的としています。
|
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 |
|---|---|---|
|
WP1 - データベース/データの前処理
時間枠：M1～M18
|
EMC データセットには、経験豊富な TET 病理学者によって分類された 179 人の TET 患者が含まれています。
病理学者間でよく一致した症例は、AI モデルのトレーニングに使用されます。
評価には、国際的な専門家委員会によって評価されたデジタル化された病理スライドが含まれます。
MUMC データベース (患者 137 人) と CHUL データベース (患者 181 人) は、臨床変数を含む追加データを提供します。
関連する要素には、年齢、性別、腫瘍体積、病期、切除の完了度、自己免疫疾患、および治療の詳細が含まれます。
|
M1～M18
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
WP2 - TET 分類と再発予測のための深層学習モデル
時間枠：M6-M32
|
この成果は、2 つの主な目標を持つ AI フレームワークを作成することを目的としています。
まず、細胞の種類、形態学的構造、およびその組み合わせを強調する 4 つの異なるモデルを使用して、TET サブタイプを調査します。
次に、5 年以内の再発転帰に基づいて患者を分類します。
アブレーション研究は、最先端の深層学習分類器 (ResNet、Inception) を使用して実施されます。
|
M6-M32
|
その他の成果指標
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
WP3: 臨床評価
時間枠：M6～M36
|
AI モデル 1 ～ 3 は EMC データベース上で構築および検証され、AI モデル 4 は MUMC+ データベース上で構築され、両方で検証されます。
モデルのパフォーマンスは、感度、特異度、陰性/陽性的中率を使用して評価されます。
意思決定分析曲線は臨床上の利点を定量化し、最大の有用性を持つ患者グループを特定します。
|
M6～M36
|
協力者と研究者
出版物と役立つリンク
一般刊行物
- Wolf JL, van Nederveen F, Blaauwgeers H, Marx A, Nicholson AG, Roden AC, Strobel P, Timens W, Weissferdt A, von der Thusen J, den Bakker MA. Interobserver variation in the classification of thymic lesions including biopsies and resection specimens in an international digital microscopy panel. Histopathology. 2020 Nov;77(5):734-741. doi: 10.1111/his.14167. Epub 2020 Sep 24.
- Molina TJ, Bluthgen MV, Chalabreysse L, de Montpreville VT, de Muret A, Dubois R, Hofman V, Lantuejoul S, le Naoures C, Mansuet-Lupo A, Parrens M, Piton N, Rouquette I, Secq V, Girard N, Marx A, Besse B. Impact of expert pathologic review of thymic epithelial tumours on diagnosis and management in a real-life setting: A RYTHMIC study. Eur J Cancer. 2021 Jan;143:158-167. doi: 10.1016/j.ejca.2020.11.011. Epub 2020 Dec 11.
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (推定)
研究の完了 (推定)
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。