喉頭癌における甲状腺軟骨浸潤と患者の予後を予測するための CT ベースのラジオミクスおよびディープラーニング モデル
2024年8月20日 更新者：xinwei Chen、First Affiliated Hospital of Chongqing Medical University
喉頭癌における甲状腺軟骨浸潤と患者の予後を予測するための CT ベースのラジオミクス、二次元および三次元深層学習モデル: 多施設研究
この後ろ向き研究は、臨床医により正確な診断と治療の基礎を提供するために、喉頭がん患者の甲状軟骨浸潤を術前に予測するための CT ベースのラジオミクス モデル、2D ディープラーニング モデル、および 3D ディープラーニング モデルを開発および検証することでした。
そして、前述のモデルの性能を 2 人の放射線科医と比較しました。
さらに、研究者らは、上記の最適モデルによる患者の生存転帰の予測を調査しました。
調査の概要
詳細な説明
喉頭扁平上皮癌 (LSCC) は、最も一般的な頭頸部腫瘍の 1 つであり、世界中で癌関連死の 8 番目の主な原因となっています。
治療法の決定は、LSCC 患者の腫瘍制御と機能的予後の両方に大きな影響を与えます。
そして、これらの決定は主に腫瘍の病期分類に基づいており、甲状腺軟骨への浸潤が重要な決定要因として機能します。
したがって、甲状腺軟骨浸潤の存在は、LSCC 患者の進行期 (T3 または T4) の診断を示します。
甲状腺軟骨浸潤のない患者の場合、喉頭機能を温存するために喉頭部分切除術が考慮される場合があります。
しかし、進行性喉頭癌および喉頭を超えて甲状軟骨浸潤を有する患者の場合、腫瘍を完全に除去して生存期間を延ばすために喉頭全摘出術が必要となることがよくあります。
したがって、甲状腺軟骨浸潤の正確な評価は、LSCC 患者の治療の意思決定と予後評価に不可欠です。
最近、機械学習と深層学習 (DL) の形で人工知能が医療画像処理に広く応用されています。
機械学習における重要な役割であるラジオミクスは、高次元の特徴データを抽出し、腫瘍の病期分類と予後に関する貴重な情報を定量的に提供できます。
さらに、DL は、正確な予測を実現するために、エンドツーエンドの方法を通じて識別機能を自動的にキャプチャして学習できます。
まとめると、この多施設研究の目的は、静脈相 CT 画像に基づいたラジオミクス モデル、2D DL モデル、および 3D DL モデルを開発および検証し、甲状腺軟骨の予測において 2 人の放射線科医とこれらのモデルのパフォーマンスを比較することでした。侵入。
さらに研究者らは、甲状腺軟骨浸潤の最適予測モデルの予後値を調査した。
研究の種類
観察的
入学 (推定)
400
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
-
Chongqing、中国
- 募集
- The First Affiliated Hospital of Chongqing Medical University
-
コンタクト：
- Peng juan
- 電話番号：+86 189 8328 0171
- メール：pengjuan1209@126.com
-
-
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
確率サンプル
調査対象母集団
研究者らは2つのセンターから喉頭癌患者を集めた。
センター 1 の患者は、7:3 の比率でトレーニング コホートと内部検証コホートにランダムに分割されました。
さらに、センター 2 の患者が外部検証コホートとして登録されました。
説明
包含基準:
- 完全な臨床データの利用可能性
- 外科手術または生検で証明された喉頭扁平上皮癌の診断
- 手術前2週間以内にCT検査を実施
除外基準:
- 術前化学療法または放射線療法を受けた患者
- 顕著なアーチファクトを伴う CT 画像
- 腫瘍再発患者
- 腫瘍の最大径が5mm未満の患者
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 |
|---|---|
|
訓練コホート
介入なし
|
ラジオミクスは、医用画像から定量的な情報を抽出して、分析用の高次元特徴ベクトルを生成します。 病気のプロセスに関する洞察を提供し、診断を改善することを目的としています。 ディープラーニングは、複数の層を持つニューラル ネットワークを利用して、データから複雑なパターンを学習します。 医療画像処理では、病気の検出と診断のための正確かつ効率的な分析が可能になります。
他の名前：
|
|
内部検証コホート
介入なし
|
ラジオミクスは、医用画像から定量的な情報を抽出して、分析用の高次元特徴ベクトルを生成します。 病気のプロセスに関する洞察を提供し、診断を改善することを目的としています。 ディープラーニングは、複数の層を持つニューラル ネットワークを利用して、データから複雑なパターンを学習します。 医療画像処理では、病気の検出と診断のための正確かつ効率的な分析が可能になります。
他の名前：
|
|
外部検証コホート
介入なし
|
ラジオミクスは、医用画像から定量的な情報を抽出して、分析用の高次元特徴ベクトルを生成します。 病気のプロセスに関する洞察を提供し、診断を改善することを目的としています。 ディープラーニングは、複数の層を持つニューラル ネットワークを利用して、データから複雑なパターンを学習します。 医療画像処理では、病気の検出と診断のための正確かつ効率的な分析が可能になります。
他の名前：
|
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 |
|---|---|---|
|
曲線下面積、AUC
時間枠：学習完了までに平均6か月
|
曲線下面積 (AUC) は、二値分類問題におけるモデルのパフォーマンスを評価するために、機械学習や医学研究で広く使用されている指標です。
これは、陰性例を陽性として誤って分類する (偽陽性) ことを回避しながら、真の陽性 (真陽性) を識別するモデルの能力を反映しています。
|
学習完了までに平均6か月
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
無病生存、DFS
時間枠：手術日および病気の進行などの出来事の発生、最後の経過観察日、または何らかの原因による死亡、および追跡期間が少なくとも 3 年であること。
|
無病生存期間（DFS）とは、無作為化の開始（通常は臨床試験の開始点）から病気の再発または病気の進行による患者の死亡までの時間を指します。
DFS は、がん治療の長期的な効果を評価するために使用される重要な臨床指標および統計指標です。
|
手術日および病気の進行などの出来事の発生、最後の経過観察日、または何らかの原因による死亡、および追跡期間が少なくとも 3 年であること。
|
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。
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)
2023年8月13日
一次修了 (推定)
2024年9月13日
研究の完了 (推定)
2024年10月13日
試験登録日
最初に提出
2024年6月12日
QC基準を満たした最初の提出物
2024年6月17日
最初の投稿 (実際)
2024年6月18日
学習記録の更新
投稿された最後の更新 (実際)
2024年8月22日
QC基準を満たした最後の更新が送信されました
2024年8月20日
最終確認日
2024年8月1日
詳しくは
本研究に関する用語
追加の関連 MeSH 用語
その他の研究ID番号
- 2024-Chenx
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
いいえ
IPD プランの説明
臨床データは臨床症例システムから手動で収集されます。 CT 画像データは PACS システムからエクスポートされ、別のデータ ディスクに匿名で保存されます。画像素材は収集され、別のデータ ディスクに匿名で保存されます。
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
いいえ
米国FDA規制機器製品の研究
いいえ
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。