고위험 환자에서 딥러닝 기반 임상, 생물학적 및 초음파 모델을 이용한 간암 발생의 위험 계층화 (STARHE)
세계보건기구(WHO)에 따르면 2030년까지 간세포 암종(HCC)은 암 관련 사망의 두 번째 주요 원인이 될 것이며 연간 100만 명 이상이 사망할 것입니다.
지금까지 프랑스의 간세포 암종 선별 검사는 6개월마다 간 초음파만을 기준으로 모든 환자에 대해 동일하게 유지되었습니다. 이 전략에는 세 가지 주요 제한 사항이 있습니다. 개인화 부족, 낮은 규정 준수, 상대적으로 낮은 초음파 성능입니다.
만성 C형 간염, 알코올성 간경변 및 비알코올성 지방간염(NASH)에 대한 위험 계층화 모델이 임상 및 생물학적 매개변수를 포함하여 개발되었지만 간암 발생의 생리병리학적 기질인 간 실질에 대한 분석은 없습니다.
새로운 인공 지능 기술의 출현은 접근 방식을 혁신하고 개인화된 방사선 검사 전략으로 이어질 수 있습니다.
기계 학습의 하위 클래스인 딥 러닝은 인간이 정의하지 않은 새로운 이미지 특징을 자동으로 식별하여 특정 작업을 수행하는 인간을 도울 수 있는 인기 있는 연구 분야입니다.
본 연구의 가설은 비종양 간경변성 간 실질이 간병증의 중증도, 암학적 위험 및 간암 발생 과정을 반영하는 구조적 정보가 풍부하다는 것이다. 간암 발병 위험을 계층화하기 위해 이미 연구된 임상 및 생물학적 데이터와 결합된 분석을 통해 특히 C형 간염 바이러스(HCV) 박멸 및 B형 간염 바이러스(HBV)와 관련하여 매우 높은 위험 인구를 정의할 수 있습니다. ) 제어.
결과적으로, 본 연구는 임상적, 생물학적 및 방사선학적 초음파 매개변수를 포함하여 간암 발생 위험의 계층화를 위한 딥러닝 모델을 전향적으로 설계할 것을 제안합니다.
연구 개요
상세 설명
세계보건기구(WHO)에 따르면 2030년까지 간세포 암종(HCC)은 암 관련 사망의 두 번째 주요 원인이 될 것이며 연간 100만 명 이상이 사망할 것입니다.
지금까지 프랑스의 간세포 암종 선별 검사는 6개월마다 간 초음파만을 기준으로 모든 환자에 대해 동일하게 유지되었습니다. 이 계획은 수용 가능한 비용 효율성 비율과 연관되고 무엇보다도 증가된 전체 생존을 얻는 이점이 있습니다. 그러나이 전략에는 세 가지 주요 제한 사항이 있습니다. 개인화 부족, 낮은 규정 준수, 상대적으로 낮은 초음파 성능입니다.
임상(연령, 성별, 체질량 지수 및 당뇨병) 및 생물학적(ASAT/ALAT, 혈소판, 알부민) 매개변수를 포함하여 만성 C형 간염, 알코올성 간경변 및 비알코올성 지방간염(NASH)에 대한 위험 계층화 모델이 개발되었습니다. 그러나 간암발생의 생리병리학적 기질인 간실질에 대한 분석은 포함하지 않았다. 1990년대에 여러 저자들이 간 에코 구조에 따른 간세포 암종의 발병률을 연구했습니다. 그들은 추정 비율이 최대 20인 결절성 이종 에코구조로 대표되는 과잉 위험에 동의했습니다.
그러나 이러한 모든 결과는 아직 개인화된 방사선 검사 전략으로 이어지지 않았습니다. 새로운 인공 지능 기술의 출현은 접근 방식에 혁명을 일으킬 수 있습니다.
기계 학습의 하위 클래스인 딥 러닝은 인간이 특정 작업을 수행하는 데 도움을 줄 수 있는 인기 있는 연구 분야입니다. 라디오믹스와 달리 딥 러닝은 사람이 정의하지 않은 새로운 이미지 특징을 자동으로 식별할 수 있습니다.
본 연구의 가설은 비종양 간경변성 간 실질이 간병증의 중증도, 암학적 위험 및 간암 발생 과정을 반영하는 구조적 정보가 풍부하다는 것이다. 간암 발병 위험을 계층화하기 위해 이미 연구된 임상 및 생물학적 데이터와 결합된 분석을 통해 특히 C형 간염 바이러스(HCV) 박멸 및 B형 간염 바이러스(HBV)와 관련하여 매우 높은 위험 인구를 정의할 수 있습니다. ) 제어.
결과적으로, 본 연구는 임상적, 생물학적 및 방사선학적 초음파 매개변수를 포함하여 간암 발생 위험의 계층화를 위한 딥러닝 모델을 전향적으로 설계할 것을 제안합니다. 이 연구의 주요 목적은 간암 발병 위험이 매우 높은 집단을 식별하여 가장 위험에 처한 환자에게 다양한 선별 방식을 제안하는 것입니다.
이 임상 연구에는 비간경변성 HBV 간 질환을 제외한 간세포 암종 선별 검사에 대한 유럽 간 연구 협회(EASL) 권장 사항에 따라 초음파 선별 검사의 틀에서 간 전문의가 의뢰한 18세 이상의 환자가 포함됩니다. - 간암종에 대한 개별 위험 평가에 근거한 모든 원인의 간경변성 F3기 간 질환; 모든 원인의 간경변, 비바이러스성 또는 바이러스학적 치료(HCV) 또는 제어(HBV). 치료된 간세포 암종의 병력이 있는 환자는 제외됩니다.
두 그룹의 환자가 전향적으로 구성됩니다. 그룹 1에는 1cm보다 큰 간세포 암종으로 진단된 환자가 포함됩니다(참조 진단 표준: 방사선학적 또는 조직학적). 따라서 이러한 환자는 매우 높은 위험에 해당합니다. 그룹 2에는 간세포 암종이없는 환자가 포함되므로 위험이 낮습니다. 포함 다음 해에 새로운 결절이 없는지 확인하기 위해 그룹 2의 환자에서 1년 간격의 초음파를 시행합니다. 새로운 간세포 암종의 비율은 3%를 초과하지 않아야 합니다.
수집된 데이터는 임상, 생물학적, 탄성 및 초음파 매개변수입니다.
이러한 데이터를 사용하여 Python에서 심층 합성곱 신경망 아키텍처를 사용하는 Deep Learning 모델을 개발합니다.
총 7개의 조사 사이트에서 300명의 환자(두 그룹 간에 균등하게 분배됨)가 훈련/검증 코호트에 포함되고 100명의 환자(두 그룹 간에 균등하게 분배됨)가 테스트 코호트에 포함될 것입니다. 이 숫자는 거대결절 초음파 패턴 및 딥 러닝 요구 사항(많은 숫자 필요)의 경우 최대 20의 HCC 위험 비율을 보고하는 초음파 연구에서 계산됩니다.
교육/검증 및 테스트 코호트는 외부 및 독립 센터에서 제공됩니다.
모델의 진단 성능은 테스트 코호트에서 AUC(Area Under the Curve), 민감도, 특이도 및 F1-점수(95% 신뢰 구간)에 의해 추정됩니다.
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
-
Angers, 프랑스, 49100
- CHU Angers
-
Bobigny, 프랑스, 93000
- Hopital Avicenne
-
Clichy, 프랑스, 92110
- Hopital Beaujon
-
Lyon, 프랑스, 69003
- Hospices Civils de Lyon, Hôpital Edouard Herriot
-
Lyon, 프랑스, 69317
- Groupement Hospitalier Nord, Hôpital de la Croix-Rousse
-
Montpellier, 프랑스, 34090
- CHU Montpellier
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
설명
포함 기준:
- 18세 이상의 남녀.
- EASL 간세포 암종 선별 권장 사항에 따라 초음파 선별 검사의 틀 내에서 간장 전문의가 의뢰한 환자.
- 간암의 위험에 대한 개별 평가에 따른 모든 원인의 비간경변성 F3 간병증.
- 비바이러스성 또는 바이러스학적 치료(HCV) 또는 제어(HBV) 원인의 간경변.
- 임상적, 생물학적, 초음파(간세포 부전, 문맥 고혈압) 및 탄성학적 기준에 근거하여 조직학적 증거에 의해 입증되거나 전문 위원회에 의해 확인된 간병증이 있는 환자.
- 연구와 관련된 정보를 받고 이해할 수 있으며 서면 동의서를 제공할 수 있는 환자.
- 프랑스 사회보장제도에 가입된 환자.
제외 기준:
- 간암의 역사
- 비간경변성 바이러스 B형 간병증 또는 조절되지 않는(HBV) 또는 치료되지 않은(HCV) 바이러스성 간경변증이 있는 환자.
- 정의, 후견 또는 신탁의 보호를 받는 환자.
- 사회적 취약 상황에 처한 환자.
- 법적 보호를 받거나 동의를 표현할 수 없는 환자
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위화되지 않음
- 중재 모델: 병렬 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: 고위험군
크기가 1cm 이상인 간세포 암종 환자.
초음파 검진 프로그램에서 결절이 1cm 이상으로 진단되어 본원에 의뢰된 모든 환자가 이 그룹에 포함됩니다.
그런 다음 방사선학적 또는 조직학적 참조 진단 표준(황금 표준)에 따라 간세포 암종의 진단이 유지되지 않으면 이 그룹에서 제외됩니다.
|
10초의 1~3개의 비디오 획득은 늑간 경로를 통해 수행됩니다.
데이터 수집은 필수 프로토콜에 따라 표준화되고 이전에 각 초음파 기계(크로스 샷, 고조파, 필터, 깊이, 초점 거리, 기계적 인덱스 등)에 기록됩니다.
|
|
실험적: 저위험군
간세포 암종이 없는 환자.
포함 다음 해에 새로운 결절이 없는지 확인하기 위해 1년 간격 초음파가 수행됩니다.
|
10초의 1~3개의 비디오 획득은 늑간 경로를 통해 수행됩니다.
데이터 수집은 필수 프로토콜에 따라 표준화되고 이전에 각 초음파 기계(크로스 샷, 고조파, 필터, 깊이, 초점 거리, 기계적 인덱스 등)에 기록됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
딥 러닝 기반 교차 분석에 의한 고위험 환자의 간암 발생 위험 계층화.
기간: 12 개월
|
임상, 생물학적, 탄성 및 초음파(비종양 간 실질) 매개변수의 딥 러닝 기반 교차 분석
|
12 개월
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
딥러닝 기반 교차 분석을 통한 새로운 스크리닝 전략 개발
기간: 12 개월
|
임상, 생물학적, 탄성 및 초음파(비종양 간 실질) 매개변수의 딥 러닝 기반 교차 분석
|
12 개월
|
|
딥러닝 기반 교차 분석을 통한 다초점 및 미만성 형태의 위험 환자 식별 알고리즘 개발
기간: 12 개월
|
임상, 생물학적, 탄성 및 초음파(비종양 간 실질) 매개변수의 딥 러닝 기반 교차 분석
|
12 개월
|
|
딥러닝 기반 교차분석을 통한 초음파로 검출된 결절의 특성화
기간: 12 개월
|
임상, 생물학적, 탄성 및 초음파(비종양 간 실질) 매개변수의 딥 러닝 기반 교차 분석
|
12 개월
|
|
딥 러닝 기반 교차 분석을 통한 결절과 인접 간 실질의 경계면 특성 규명
기간: 12 개월
|
임상, 생물학적, 탄성 및 초음파(비종양 간 실질) 매개변수의 딥 러닝 기반 교차 분석
|
12 개월
|
공동 작업자 및 조사자
스폰서
수사관
- 수석 연구원: Jérémy DANA, MD, IHU Strasbourg
간행물 및 유용한 링크
일반 간행물
- Cadier B, Bulsei J, Nahon P, Seror O, Laurent A, Rosa I, Layese R, Costentin C, Cagnot C, Durand-Zaleski I, Chevreul K; ANRS CO12 CirVir and CHANGH groups. Early detection and curative treatment of hepatocellular carcinoma: A cost-effectiveness analysis in France and in the United States. Hepatology. 2017 Apr;65(4):1237-1248. doi: 10.1002/hep.28961. Epub 2017 Feb 8.
- Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A Deep Learning Model to Triage Screening Mammograms: A Simulation Study. Radiology. 2019 Oct;293(1):38-46. doi: 10.1148/radiol.2019182908. Epub 2019 Aug 6.
- Costentin CE, Layese R, Bourcier V, Cagnot C, Marcellin P, Guyader D, Pol S, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Serfaty L, Mallat A, Grange JD, Attali P, Bacq Y, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Letouze E, Imbeaud S, Zucman-Rossi J, Audureau E, Roudot-Thoraval F, Nahon P; ANRS CO12 CirVir Group. Compliance With Hepatocellular Carcinoma Surveillance Guidelines Associated With Increased Lead-Time Adjusted Survival of Patients With Compensated Viral Cirrhosis: A Multi-Center Cohort Study. Gastroenterology. 2018 Aug;155(2):431-442.e10. doi: 10.1053/j.gastro.2018.04.027. Epub 2018 May 3.
- Ioannou GN, Green P, Kerr KF, Berry K. Models estimating risk of hepatocellular carcinoma in patients with alcohol or NAFLD-related cirrhosis for risk stratification. J Hepatol. 2019 Sep;71(3):523-533. doi: 10.1016/j.jhep.2019.05.008. Epub 2019 May 28.
- Audureau E, Carrat F, Layese R, Cagnot C, Asselah T, Guyader D, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Chazouilleres O, Mallat A, Grange JD, Attali P, d'Alteroche L, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Pol S, Nahon P; ANRS CO12 CirVir group. Personalized surveillance for hepatocellular carcinoma in cirrhosis - using machine learning adapted to HCV status. J Hepatol. 2020 Dec;73(6):1434-1445. doi: 10.1016/j.jhep.2020.05.052. Epub 2020 Jun 29.
- Kitamura S, Iishi H, Tatsuta M, Ishikawa H, Hiyama T, Tsukuma H, Kasugai H, Tanaka S, Kitamura T, Ishiguro S. Liver with hypoechoic nodular pattern as a risk factor for hepatocellular carcinoma. Gastroenterology. 1995 Jun;108(6):1778-84. doi: 10.1016/0016-5085(95)90140-x.
- Tarao K, Hoshino H, Shimizu A, Ohkawa S, Harada M, Nakamura Y, Ito Y, Tamai S, Okamoto N. Patients with ultrasonic coarse-nodular cirrhosis who are anti-hepatitis C virus-positive are at high risk for hepatocellular carcinoma. Cancer. 1995 Mar 15;75(6):1255-62. doi: 10.1002/1097-0142(19950315)75:63.0.co;2-q.
- Caturelli E, Castellano L, Fusilli S, Palmentieri B, Niro GA, del Vecchio-Blanco C, Andriulli A, de Sio I. Coarse nodular US pattern in hepatic cirrhosis: risk for hepatocellular carcinoma. Radiology. 2003 Mar;226(3):691-7. doi: 10.1148/radiol.2263011737. Epub 2003 Jan 24.
- Dana J, Agnus V, Ouhmich F, Gallix B. Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective. Semin Nucl Med. 2020 Nov;50(6):541-548. doi: 10.1053/j.semnuclmed.2020.07.003. Epub 2020 Aug 2.
- Dohan A, Gallix B, Guiu B, Le Malicot K, Reinhold C, Soyer P, Bennouna J, Ghiringhelli F, Barbier E, Boige V, Taieb J, Bouche O, Francois E, Phelip JM, Borel C, Faroux R, Seitz JF, Jacquot S, Ben Abdelghani M, Khemissa-Akouz F, Genet D, Jouve JL, Rinaldi Y, Desseigne F, Texereau P, Suc E, Lepage C, Aparicio T, Hoeffel C; PRODIGE 9 Investigators and PRODIGE 20 Investigators. Early evaluation using a radiomic signature of unresectable hepatic metastases to predict outcome in patients with colorectal cancer treated with FOLFIRI and bevacizumab. Gut. 2020 Mar;69(3):531-539. doi: 10.1136/gutjnl-2018-316407. Epub 2019 May 17.
- Savadjiev P, Chong J, Dohan A, Agnus V, Forghani R, Reinhold C, Gallix B. Image-based biomarkers for solid tumor quantification. Eur Radiol. 2019 Oct;29(10):5431-5440. doi: 10.1007/s00330-019-06169-w. Epub 2019 Apr 8.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.
- European Association for the Study of the Liver. Corrigendum to "EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma" [J Hepatol 69 (2018) 182-236]. J Hepatol. 2019 Apr;70(4):817. doi: 10.1016/j.jhep.2019.01.020. Epub 2019 Feb 7. No abstract available.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
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. .