代謝亢進性肺病変の PET/CT ベースの画像解析と機械学習
2025年7月22日 更新者：Hu Jiajia、Ruijin Hospital
画像症状と機械学習技術による肺リンパ腫とその他の代謝亢進性病変の PET/CT 画像に基づく区別: 多施設共同後ろ向き研究
まず、肺リンパ腫のより包括的な見解を完成させるために、PET/CT に基づいて種類、画像所見、および関連する治療反応を分析します。
次に、機械学習による肺リンパ腫の区別の可能性を検証し、多クラス分類モデルを開発するために、ラジオミクス特徴に基づくいくつかのモデルが開発されます。
この研究の最終目的は、予備的な肺病変のセグメンテーションとマルチクラス分類のための一連の深層学習モデルを開発することです。 このモデルは、FDG 依存性の肺病変を 4 つのグループに分類し、それぞれが病理学的原因、一次治療、および関連する診療科によって定義されます。
調査の概要
詳細な説明
- ローカル画像特徴抽出ソフトウェア (LIFEx、v 7.4.0、 フランス）は、画像レビューと関連データの測定に採用されました。 3 人の観察者が独立して画像を解釈しました。 意見の相違がある場合には、10 年以上の経験を持つ上級医師の意見が優先されます。 画像所見はベースライン検査に基づいて記録されました。 病変の数、位置、説明ラベルは、画像レポートに記載されている基準に従って体系的に記録されました。 データの分類と計算には統計ソフトウェア SPSS (v26.0) を使用しました。 カイ二乗検定は、CT 所見などのカテゴリ変数に基づいて SPL と PPL を比較するために使用され、T 検定は血糖や SUV などの連続変数を評価するために使用されました。 カテゴリ変数の優位性を考慮して、カイ二乗検定またはフィッシャーの直接確率検定 (サンプル <40 または >20% 細胞、期待カウント <5) を利用して、治療反応と画像処理性能を評価しました。 スピアマンの相関係数を使用して、カテゴリ変数と SUV ベースの連続変数の間の関係を分析しました。
- この研究では、相対閾値 40% (MTV40%) での代謝腫瘍体積が、画像解析の対象体積 (VOI) として選択されました。 特徴抽出には、Python (v3.11.7) ベースのラジオミクス特徴抽出ツールキット PyRadiomics (v3.1.0) を採用しました。 これには、医用画像処理ライブラリ SimpleITK (v2.3.1)、数値計算およびデータ操作ライブラリ Numpy (v1.26.2)、ウェーブレット変換ライブラリ PyWavelet (v1.5.0) が含まれます。 機能の選択は、R プログラミング言語 (v4.2.0) に基づいた RStudio (v.2023.12.0+369) を使用して行われました。 計算効率を確保し、過剰適合を回避するために、保持される特徴の数は、トレーニング セット内の病変の数の 10% 以下に制限されました。 モデルの分析と検証も主に RStudio を使用して実行されました。
- 深層学習の研究では、代謝亢進性肺病変を特定して分類するタスクを、セグメンテーションと分類の 2 つの段階に分割します。 セグメンテーションの段階では、まずオープンソースの 2D モデル Lungmask を利用して、全身 PET/CT 画像から肺領域を自動的に切り出し、その後の処理が肺領域に集中するようにしました。 次に、代謝亢進性肺病変をセグメント化するために特別に設計された残存モジュールを備えた 3D UNet モデルを開発しました。 このモデルは、トリミングされた PET/CT 画像を入力として受け取り、3 次元画像から病変情報を効率的に抽出し、代謝亢進性肺病変領域を正確にセグメント化します。その後、モデルは推論のために内部テスト セットと外部検証セットの両方に適用され、その結果、病変を含むROIの抽出。
研究の種類
観察的
入学 (実際)
647
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
-
-
Shanghai
-
Shanghai、Shanghai、中国、200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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
この後ろ向き研究には、2015年1月から2024年2月までに、瑞金病院、瑞金北病院陽子線センター、上海肺病院、安徽省陸安人民病院の5つの施設で核医学科でPET/CT検査を受けた患者が登録された。南京中医薬大学付属病院。
説明
包含基準:
- 成人患者（18歳以上）。
- 原発性または再発性リンパ腫、最後の治療から6か月以上。過去に悪性腫瘍のない原発性肺がん患者。
- 以前の悪性腫瘍のない良性固形肺病変。
- 肺転移、肺放射線療法または粒子移植で治療されていない。
- PET陽性の肺病変を明らかにするベースライン評価。
- 検査日から 3 か月以内の病理学的結果、気管鏡検査、肺穿刺、または手術によって確認された肺病変タイプ。
- ベースラインの肺病変が残っている場合は、追跡臨床評価および画像評価に基づいて肺リンパ腫（または転移）であると考えられます。
除外基準:
- 画質が悪い。
- CT画像上で肺病変の境界を描写できない。
- ステントやドレナージチューブなどの近くのデバイスによって引き起こされるアーチファクト。
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 |
|---|---|
|
肺リンパ腫
(1) 成人患者（18 歳以上）。
(2) 最後の治療から6か月以上経過した原発性または再発性リンパ腫の患者。
(3) 病院でのベースライン評価により、PET 陽性の肺病変が明らかになり、CT 測定で最大直径が 3 mm 以上、2 つ以上の画像層にわたって視認可能でした。
(4) 検査日から3か月以内の病理学的結果、気管鏡検査、肺穿刺、または手術によって確認された肺病変タイプ。
または、リンパ節および肺外穿刺によって診断されたリンパ腫のベースラインの肺病変は、引き続き追跡臨床評価および画像評価に基づいて肺リンパ腫であると考えられます。
|
ワークステーションまたはローカル画像解析ソフトウェアを介して医療画像を観察します
ラジオミクスまたはディープラーニング手法による画像特徴の抽出
|
|
肺癌
(1) 成人患者（18 歳以上）。
(2) 悪性腫瘍の既往のない原発性肺がん患者 (3) 病院でのベースライン評価により、PET 陽性の肺病変が明らかになり、CT 測定で最大直径が 3mm 以上、画像層 2 層以上にわたって視認できる。
(4) 検査日から3か月以内の病理学的結果、気管鏡検査、肺穿刺、または手術によって確認された肺病変タイプ。
|
ワークステーションまたはローカル画像解析ソフトウェアを介して医療画像を観察します
ラジオミクスまたはディープラーニング手法による画像特徴の抽出
|
|
良性
(1) 成人患者（18 歳以上）。
(2) 悪性腫瘍の既往のない良性固形肺病変を有する患者。
(3) 病院でのベースライン評価により、PET 陽性の肺病変が明らかになり、CT 測定で最大直径が 3 mm 以上、2 つ以上の画像層にわたって視認可能でした。
(4) 検査日から3か月以内の病理学的結果、気管鏡検査、肺穿刺、または手術によって確認された肺病変タイプ。
|
ワークステーションまたはローカル画像解析ソフトウェアを介して医療画像を観察します
ラジオミクスまたはディープラーニング手法による画像特徴の抽出
|
|
転移
(1) 成人患者（18 歳以上）。
(2) 肺放射線療法または粒子移植による治療を受けていない肺転移患者。
(3) 病院でのベースライン評価により、PET 陽性の肺病変が明らかになり、CT 測定で最大直径が 3 mm 以上、2 つ以上の画像層にわたって視認可能でした。
(4) 検査日から3か月以内の病理学的結果、気管鏡検査、肺穿刺、または手術によって確認された肺病変タイプ。
または、リンパ節および肺外穿刺によって診断された転移のベースラインの肺病変は、引き続き追跡臨床評価および画像評価に基づいて肺転移であると考えられる。
|
ワークステーションまたはローカル画像解析ソフトウェアを介して医療画像を観察します
ラジオミクスまたはディープラーニング手法による画像特徴の抽出
|
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 |
時間枠 |
|---|---|
|
18F-FDG PET/CT画像のイメージング/ラジオミクス/ディープラーニングの特徴
時間枠：ベースライン
|
ベースライン
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
セグメンテーション モデルの効率
時間枠：モデルの開発とテストの直後
|
セグメンテーション モデルの有効性は、病変の検出率と Dice 類似性係数 (2(A∩B)/(A+B)、A=セグメント化されたボクセル ボリューム、B=グラウンド トゥルース ボリューム) によって評価されます。病変と背景を分割する精度。
|
モデルの開発とテストの直後
|
|
分類モデルの効率
時間枠：モデルの開発とテストの直後
|
分類モデルは、精度 [(TP+TN)/(TP+FP+TN+FN)] 、精度 [TP/(TP+FP)]、再現率 [TP/(TP+FN)]、F1- によって評価されます。スコア [2*精度*再現率/(精度+再現率)]。これらはすべて、さまざまな側面からサンプルの正しく分類された病変または誤って分類された病変の比率を表します。
一方、受信機動作特性 (ROC) 曲線は、これをより視覚的に説明できます。
曲線下面積 (AUC) は、ROC 曲線の下の面積の割合を 0 から 1 の範囲で計算し、各グループの分類の全体的な効率を表します。
|
モデルの開発とテストの直後
|
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)
2024年4月1日
一次修了 (実際)
2024年7月20日
研究の完了 (実際)
2025年4月30日
試験登録日
最初に提出
2024年9月11日
QC基準を満たした最初の提出物
2024年9月17日
最初の投稿 (実際)
2024年9月19日
学習記録の更新
投稿された最後の更新 (実際)
2025年7月23日
QC基準を満たした最後の更新が送信されました
2025年7月22日
最終確認日
2025年7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。