과대사성 폐 병변의 PET/CT 기반 영상 분석 및 머신러닝
2025년 7월 22일 업데이트: Hu Jiajia, Ruijin Hospital
영상 징후 및 기계 학습 기술을 통한 폐림프종 및 기타 대사이상 병변의 PET/CT 영상 기반 구별: 다기관 후향적 연구
먼저, 폐림프종에 대한 보다 포괄적인 시각을 완성하기 위해 PET/CT를 기반으로 유형, 영상 소견 및 관련 치료 반응을 분석합니다.
그런 다음, 기계 학습을 통해 폐림프종을 구별할 수 있는 가능성을 검증하고 다중 클래스 분류 모델을 개발하기 위해 방사성 특성을 기반으로 하는 일부 모델을 개발할 예정입니다.
본 연구의 최종 목표는 예비 폐 병변 분할 및 다중 클래스 분류를 위한 일련의 딥러닝 모델을 개발하는 것입니다. 이 모델은 FDG를 많이 사용하는 폐 병변을 4개 그룹으로 분류하며, 각 그룹은 병리학적 기원, 1차 치료 및 관련 임상 부서에 따라 정의됩니다.
연구 개요
상태
상태
완전한
정황
정황
개입 / 치료
개입 / 치료
상세 설명
- 로컬 이미지 특징 추출 소프트웨어(LIFEx, v 7.4.0, France)는 이미지 검토 및 관련 데이터 측정을 위해 사용되었습니다. 세 명의 관찰자가 독립적으로 이미지를 해석했습니다. 의견이 다를 경우에는 10년 이상의 경력을 지닌 선배 의사의 의견이 우선됐다. 영상 소견은 기본 검사를 기반으로 기록되었습니다. 병변 수, 위치 및 설명 라벨은 영상 보고서에 설정된 표준에 따라 체계적으로 기록되었습니다. 데이터 정렬 및 계산에는 통계 소프트웨어 SPSS(v26.0)가 사용되었습니다. CT 결과와 같은 범주형 변수를 기반으로 SPL과 PPL을 비교하기 위해 Chi-square 테스트를 사용했으며 혈당 및 SUV와 같은 연속 변수를 평가하기 위해 T-test를 사용했습니다. 범주형 변수의 우세를 고려하여 카이제곱 또는 Fisher의 정확 검정(예상 개수가 <5인 샘플 <40 또는 >20% 세포의 경우)을 사용하여 치료 반응 및 영상 성능을 평가했습니다. 범주형 변수와 SUV 기반 연속변수 간의 관계를 분석하기 위해 Spearman의 상관계수를 사용하였다.
- 본 연구에서는 상대 역치 40%(MTV40%)에서의 대사성 종양 부피를 영상 분석을 위한 관심 부피(VOI)로 선택했습니다. 특징 추출을 위해 Python(v3.11.7) 기반 radiomics 특징 추출 툴킷 PyRadiomics(v3.1.0)를 사용했습니다. 의료 영상 처리 라이브러리 SimpleITK(v2.3.1), 수치 계산 및 데이터 조작 라이브러리 Numpy(v1.26.2), 웨이블릿 변환 라이브러리 PyWavelet(v1.5.0)과 함께 제공됩니다. 기능 선택은 R 프로그래밍 언어(v4.2.0) 기반 RStudio(v.2023.12.0+369)를 사용하여 수행되었습니다. 계산 효율성을 보장하고 과적합을 방지하기 위해 유지되는 특징 수는 훈련 세트의 병변 수의 10% 이하로 제한되었습니다. 모델 분석 및 검증도 주로 RStudio를 사용하여 수행되었습니다.
- 딥 러닝 연구는 과대사성 폐 병변을 식별하고 분류하는 작업을 세분화와 분류의 두 단계로 나눕니다. 분할 단계에서는 먼저 오픈 소스 2D 모델 Lungmask를 활용하여 전신 PET/CT 이미지에서 폐 영역을 자동으로 잘라내어 후속 처리가 폐 영역에 집중되도록 했습니다. 다음으로 우리는 과다대사성 폐 병변을 분할하기 위해 특별히 설계된 잔여 모듈을 갖춘 3D UNet 모델을 개발했습니다. 이 모델은 자른 PET/CT 이미지를 입력으로 사용하여 3차원 이미지에서 병변 정보를 효율적으로 추출하고 대사과다성 폐 병변 영역을 정확하게 분할합니다. 그런 다음 이 모델을 추론을 위해 내부 테스트 세트와 외부 검증 세트 모두에 적용하여 결과를 얻었습니다. 병변이 포함된 ROI 추출.
연구 유형
연구 유형
관찰
등록 (실제)
등록
647
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Shanghai
-
Shanghai, Shanghai, 중국, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
비확률 샘플
연구 인구
이 후향적 연구에는 2015년 1월부터 2024년 2월까지 5개 기관(루이진 병원, 루이진 북병원 양성자 센터, 상하이 폐병원, 안후이성 루안 인민병원, 난징중의약대학 부속병원.
설명
포함 기준:
- 성인 환자(≥18세);
- 원발성 또는 재발성 림프종, 마지막 치료 후 ≥6개월; 이전에 악성 종양이 없었던 원발성 폐암 환자;
- 이전에 악성 종양이 없었던 양성 고형 폐 병변;
- 폐 방사선요법 또는 입자 이식으로 치료되지 않은 폐 전이;
- PET 양성 폐병변을 나타내는 기본 평가.
- 검사일로부터 3개월 이내의 병리학적 소견, 기관지경검사, 폐천자 또는 수술을 통해 폐병변의 종류가 확인된 경우.
- 후속 임상 및 영상 평가를 기반으로 폐 림프종(또는 전이)으로 간주되는 기본 폐 병변은 남아 있습니다.
제외 기준:
- 이미지 품질이 좋지 않습니다.
- CT 영상에서 폐 병변의 경계를 묘사할 수 없음;
- 스텐트나 배액관 등 주변 장치로 인해 발생한 인공물.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
그룹/코호트 수
4
코호트 및 개입
그룹/코호트그룹/코호트 |
개입 / 치료개입 / 치료 |
|---|---|
|
폐림프종
(1) 성인 환자(18세 이상).
(2) 마지막 치료로부터 ≥6개월이 지난 원발성 또는 재발성 림프종 환자.
(3) 병원의 기본 평가에서는 PET 양성 폐병변, CT 측정 최대 직경 ≥3mm, ≥2 이미지 레이어에서 볼 수 있는 것으로 나타났습니다.
(4) 검진일로부터 3개월 이내의 병리학적 소견, 기관지경, 폐천자 또는 수술을 통해 폐병변의 종류가 확인된 경우.
또는 림프절 및 외부 폐 천자에 의해 진단된 림프종의 기본 폐 병변은 후속 임상 및 영상 평가에 기초하여 폐 림프종으로 간주됩니다.
|
워크스테이션 또는 로컬 이미지 분석 소프트웨어를 통해 의료 이미지를 관찰합니다.
Radiomics 또는 딥러닝 방법을 통해 이미지 특징 추출
|
|
폐암
(1) 성인 환자(18세 이상).
(2) 이전 악성 종양이 없는 원발성 폐암 환자 (3) 병원의 기본 평가에서는 PET 양성 폐 병변이 나타났고, CT 측정 최대 직경은 ≥3mm였으며 ≥2 이미지 레이어에서 볼 수 있었습니다.
(4) 검진일로부터 3개월 이내의 병리학적 소견, 기관지경, 폐천자 또는 수술을 통해 폐병변의 종류가 확인된 경우.
|
워크스테이션 또는 로컬 이미지 분석 소프트웨어를 통해 의료 이미지를 관찰합니다.
Radiomics 또는 딥러닝 방법을 통해 이미지 특징 추출
|
|
온화한
(1) 성인 환자(18세 이상).
(2) 이전에 악성 종양이 없었으나 양성 고형 폐 병변이 있는 환자.
(3) 병원의 기본 평가에서는 PET 양성 폐병변, CT 측정 최대 직경 ≥3mm, ≥2 이미지 레이어에서 볼 수 있는 것으로 나타났습니다.
(4) 검진일로부터 3개월 이내의 병리학적 소견, 기관지경, 폐천자 또는 수술을 통해 폐병변의 종류가 확인된 경우.
|
워크스테이션 또는 로컬 이미지 분석 소프트웨어를 통해 의료 이미지를 관찰합니다.
Radiomics 또는 딥러닝 방법을 통해 이미지 특징 추출
|
|
전이
(1) 성인 환자(18세 이상).
(2) 폐 방사선 요법이나 입자 이식으로 치료받지 않은 폐 전이성 환자.
(3) 병원의 기본 평가에서는 PET 양성 폐병변, CT 측정 최대 직경 ≥3mm, ≥2 이미지 레이어에서 볼 수 있는 것으로 나타났습니다.
(4) 검진일로부터 3개월 이내의 병리학적 소견, 기관지경, 폐천자 또는 수술을 통해 폐병변의 종류가 확인된 경우.
또는 림프절 및 외부 폐 천자에 의해 진단된 전이의 기본 폐 병변은 후속 임상 및 영상 평가를 기반으로 폐 전이로 간주됩니다.
|
워크스테이션 또는 로컬 이미지 분석 소프트웨어를 통해 의료 이미지를 관찰합니다.
Radiomics 또는 딥러닝 방법을 통해 이미지 특징 추출
|
연구는 무엇을 측정합니까?
주요 결과 측정
주요 결과 측정
결과 측정 |
기간 |
|---|---|
|
18F-FDG PET/CT 영상의 영상/방사선/딥러닝 기능
기간: 기준선
|
기준선
|
2차 결과 측정
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
세분화 모델의 효율성
기간: 모델 개발 및 테스트 직후
|
분할 모델의 효율성은 병변의 탐지율과 주사위 유사성 계수(2(A∩B)/(A+B), A=분할 복셀 볼륨, B=실측 볼륨)로 평가됩니다. 둘 다 다음을 설명합니다. 병변과 배경을 정확하게 구분할 수 있습니다.
|
모델 개발 및 테스트 직후
|
|
분류 모델의 효율성
기간: 모델 개발 및 테스트 직후
|
분류 모델은 정확도 [ (TP+TN)/(TP+FP+TN+FN) ], 정밀도 [TP/(TP+FP)], 재현율 [TP/(TP+FN)], F1-로 평가됩니다. 점수 [2*정밀도*재현율/(정밀도+재현율)]은 모두 다양한 측면에서 샘플의 올바르게 분류된 병변 또는 잘못 분류된 병변의 비율을 설명합니다.
ROC(수신기 작동 특성) 곡선은 이를 보다 시각적으로 설명할 수 있습니다.
AUC(곡선 아래 면적)는 ROC 곡선 아래 면적의 비율을 0~1 범위로 계산하여 각 그룹의 전반적인 분류 효율성을 나타냅니다.
|
모델 개발 및 테스트 직후
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
협력자
협력자
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
연구 시작
2024년 4월 1일
기본 완료 (실제)
기본 완료
2024년 7월 20일
연구 완료 (실제)
연구 완료
2025년 4월 30일
연구 등록 날짜
최초 제출
최초 제출
2024년 9월 11일
QC 기준을 충족하는 최초 제출
QC 기준을 충족하는 최초 제출
2024년 9월 17일
처음 게시됨 (실제)
처음 게시됨
2024년 9월 19일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
마지막 업데이트 게시됨
2025년 7월 23일
QC 기준을 충족하는 마지막 업데이트 제출
QC 기준을 충족하는 마지막 업데이트 제출
2025년 7월 22일
마지막으로 확인됨
마지막으로 확인됨
2025년 7월 1일
추가 정보
이 연구와 관련된 용어
키워드
기타 연구 ID 번호
기타 연구 ID 번호
- RuijinH 2024-70
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
아니요
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
미국에서 제조되어 미국에서 수출되는 제품
아니
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .