MRI と人工知能に基づく眼窩腫瘍のリスク層別化
2024年3月28日 更新者：Beijing Tongren Hospital
眼窩腫瘍は良性腫瘍と悪性腫瘍に分類でき、その生物学的挙動、治療、予後には大きな違いがあります。
この研究は、人工知能 (AI) 技術とマルチパラメータ磁気共鳴画像法 (MRI) データを使用して、眼窩腫瘍の正確な診断とリスク層別化を強化することを目的としています。
さらに、MRI と良性および悪性の眼窩腫瘍の鑑別診断、悪性腫瘍の病理学的サブタイプと Ki-67 発現レベルの間の本質的な関係を調査します。
この研究は、AI技術の実用化と導入を促進しながら、眼窩腫瘍患者の個別化された診断と治療の意思決定を支援することを目的としています。
調査の概要
詳細な説明
眼窩腫瘍は他の眼関連疾患ほど一般的ではありませんが、患者にとって非常に有害な場合があります。 身体的な外観を損なうだけでなく、視力の低下や目の動きの制限などの機能障害を引き起こす可能性もあります。 眼窩腫瘍は良性または悪性のいずれかに分類でき、その生物学的挙動、治療アプローチ、転帰、予後には大きな差異があり、鑑別診断と治療選択のプロセスが複雑になっています。 悪性病変の場合、病理学的種類や段階が異なるため、治療計画と患者の予後は異なります。 したがって、眼窩腫瘍の正確な診断方法を考案することが臨床的に急務となっている。 マルチパラメトリック磁気共鳴画像法 (mp-MRI) は現在、眼窩腫瘍を診断するための主要な非侵襲的画像技術として地位を占めています。 この研究は、人工知能アルゴリズム技術を利用して、眼窩腫瘍のリスク階層化の正確な診断を中心としており、MRI画像と、良性および悪性の眼窩腫瘍、組織型および悪性腫瘍のKi-67発現レベルの区別診断との間の固有の関係を調査する。 臨床情報と定量的な MRI 機能を統合して予測モデルを構築し、眼窩腫瘍患者の個別の診断と治療の決定を支援し、人工知能技術の応用と進歩を促進することを目的としています。 具体的には、研究目標は次のように概説されます。
- 複数の施設からのマルチシーケンス MRI データセットを使用して、眼窩腫瘍の深層学習ベースの自動セグメンテーション モデルを確立することで、手動による描写に必要な時間を短縮し、その後の分析に有益であることが証明されています。
- これら 2 つの組織を区別するためのより正確な情報を提供することを目的として、複数の機械学習アルゴリズムとマルチシーケンス MRI データセットを組み合わせて、悪性および良性の眼窩腫瘍を識別するためのモデルを開発します。
- 検出率と精度を向上させ、それによって患者のリスク階層化を達成することを目的として、定量的マルチシーケンス MRI 機能を備えた機械学習または深層学習アプローチを使用して堅牢な診断モデルを構築し、悪性眼窩腫瘍の組織型と Ki-67 発現レベルを特定します。悪性眼窩腫瘍を伴う。
研究の種類
観察的
入学 (実際)
600
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
いいえ
サンプリング方法
非確率サンプル
調査対象母集団
この研究には、2015年から2022年まで北京同仁病院でマルチパラメータMRI（mp-MRI）を受けた、病理学的に悪性または良性の眼窩腫瘍と診断された患者が含まれていた。
それ以外の場合、確定的な病理学的診断または術前マルチパラメータ MR1 (mp-MR1) を欠いている患者は、この調査から除外されました。
説明
包含基準:
- 2015年から2022年まで北京同仁病院で術前マルチパラメトリックMRl（mp-MRl）を受けた眼窩腫瘍患者。
除外基準:
- 術前マルチパラメトリック MR1 (mp-MR1) または明確な病理学的診断のない患者。
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
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 |
|---|---|
|
悪性眼窩腫瘍
病理学的確認により診断された悪性眼窩腫瘍（リンパ腫、黒色腫など）の患者。
|
診断モデルは、マルチパラメトリック MRI 画像から抽出された定量的特徴を使用して確立され、適切な深層学習または機械学習アルゴリズムによってさらに処理されます。
|
|
良性眼窩腫瘍
病理学的確認により診断された眼窩良性腫瘍（海綿状血管腫、炎症性偽腫瘍など）の患者。
|
診断モデルは、マルチパラメトリック MRI 画像から抽出された定量的特徴を使用して確立され、適切な深層学習または機械学習アルゴリズムによってさらに処理されます。
|
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 |
|---|---|---|
|
悪性および良性の眼窩腫瘍、高悪性度および低悪性度の組織型、および悪性腫瘍における Ki-67 発現レベルの鑑別診断のための診断モデルの受信者動作特性の曲線の下の面積。
時間枠：手術前
|
ROC 曲線の下の面積は、1 - 特異性に対する感度をプロットする ROC 曲線を積分することによって計算されます。
|
手術前
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
悪性および良性の眼窩腫瘍、高悪性度および低悪性度の組織型、および悪性眼窩腫瘍における高レベルおよび低レベルの Ki-67 発現の鑑別診断のための診断モデルの精度-再現率曲線の下の領域。
時間枠：手術前
|
適合率-再現率曲線の下の領域は、適合率と再現率をプロットする適合率-再現率曲線を積分することによって決定されます。
|
手術前
|
|
悪性および良性の眼窩腫瘍、高悪性度および低悪性度の組織型、および悪性眼窩腫瘍における高レベルおよび低レベルの Ki-67 発現の鑑別診断のための診断モデルの感度。
時間枠：手術前
|
感度は、真陽性と偽陰性の合計に対する真陽性の比率として計算されます。
|
手術前
|
|
悪性および良性の眼窩腫瘍、高悪性度および低悪性度の組織型、および悪性眼窩腫瘍における高レベルおよび低レベルの Ki-67 発現の鑑別診断のための診断モデルの特異性。
時間枠：手術前
|
特異性は、真陰性と偽陽性の合計に対する真陰性の比率として計算されます。
|
手術前
|
|
悪性および良性の眼窩腫瘍、高悪性度および低悪性度の組織型、および悪性眼窩腫瘍における高レベルおよび低レベルの Ki-67 発現の鑑別診断のための診断モデルの精度。
時間枠：手術前
|
精度は、ケースの総数に対する真陽性と真陰性の合計の比率として計算されます。
|
手術前
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
スポンサー
捜査官
- スタディチェア：Junfang Xian, M.D., Ph.D.、Department of Radiology, Beijing Tongren Hospital, Capital Medical University
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2012年1月1日
一次修了 (実際)
2022年10月31日
研究の完了 (実際)
2023年12月31日
試験登録日
最初に提出
2024年3月22日
QC基準を満たした最初の提出物
2024年3月22日
最初の投稿 (実際)
2024年3月28日
学習記録の更新
投稿された最後の更新 (実際)
2024年3月29日
QC基準を満たした最後の更新が送信されました
2024年3月28日
最終確認日
2024年3月1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。