흉선 상피 종양의 인공 지능 예측 도구 (INTHYM)
흉선상피종양의 조직병리학적 분류 및 재발 예측을 위한 인공지능
이 다기관 관찰 연구는 흉선 상피 종양 분류를 강화하고 AI 모델을 사용하여 재발 위험을 예측하는 것을 목표로 합니다. 디지털 병리학 및 임상 변수를 분석함으로써 이 프로젝트는 현재 WHO 분류 시스템의 불일치를 해결합니다.
주요 질문:
- AI 모델이 흉선 상피 종양 분류의 정확성을 향상시킬 수 있습니까?
- AI 모델은 WHO 분류 시스템에 비해 재발 위험을 더 잘 예측합니까?
참가자 임무:
- 디지털 병리학 분석.
- 정확한 분류 및 재발 위험 예측을 위한 AI 모델을 개발합니다.
비교 그룹:
연구자들은 AI 강화 분류를 WHO 시스템과 비교하여 AI 모델이 보다 정확한 하위 유형 지정을 제공하고 재발 위험을 더 잘 예측하는지 판단할 것입니다.
연구 설계:
이 국제 프로젝트는 로테르담, 마스트리히트, 리옹의 3개 데이터베이스를 활용합니다. 그 중 하나는 AI 모델 구축을 위한 데이터베이스이고 나머지 두 개는 외부 검증을 위한 데이터베이스입니다.
최종 목표:
병리학자가 흉선 상피 종양을 정확하게 아형화하고 보조 방사선 요법으로 과소 치료 또는 과잉 치료를 방지하여 보다 개인화되고 효과적인 치료를 지원하는 AI 모델을 개발합니다.
연구 개요
상세 설명
흉선 상피 종양은 전종격동에 발생하는 드문 신생물입니다. 치료의 기본은 수술적 절제이다. 수술 후 방사선 요법의 투여는 일반적으로 WHO 조직병리학적 분류에 따라 정의된 보다 광범위한 국소 질환, 불완전 절제 및/또는 보다 공격적인 아형을 가진 환자에게 표시됩니다.
이 분류에서는 흉선종 유형 A, AB, B1, B2, B3 및 흉선암종이 구별됩니다. 연구에 따르면 이러한 종양을 하위 유형으로 분류하는 데 병리학자 사이에 큰 불일치가 있는 것으로 나타났습니다. 더욱이, WHO 분류만으로는 아형 내에서 환자의 예후가 다르기 때문에 재발 위험을 정확하게 예측할 수 없습니다.
흉선상피종양의 조직병리학적 분류 정확도를 높이고 재발 위험을 더 잘 예측하기 위해 디지털 병리학 및 관련 임상 변수를 활용한 AI 모델을 개발할 것입니다.
이 다중심 국제 프로젝트에서는 로테르담, 마스트리히트, 리옹의 세 가지 기존 데이터베이스가 사용됩니다. 모든 모델에 대해 하나의 데이터베이스는 AI 모델을 구축하는 데 사용되고 나머지 두 개는 외부 검증에 사용됩니다.
이 프로젝트의 궁극적인 목표는 환자가 보조 방사선 요법으로 과소 치료 또는 과잉 치료를 받는 것을 방지하기 위해 병리학자가 흉선 상피 종양을 올바르게 분류할 수 있도록 지원하는 AI 모델을 개발하는 것입니다.
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Anna Salut Esteve Domínguez
- 전화번호: 0107043491
- 이메일: a.estevedominguez@erasmusmc.nl
연구 장소
-
-
South Holland
-
Rotterdam, South Holland, 네덜란드, 3015 GD
- 모병
- Erasmus MC
-
연락하다:
- Anna Salut Esteve Domínguez
- 이메일: a.estevedominguez@erasmusmc.nl
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
연구 대상자:
이 연구는 흉선 상피 종양으로 진단받은 개인에 중점을 둡니다. 이 연구에는 Erasmus MC(환자 710명), Maastro(환자 137명) 및 University Hospital Lyon(환자 181명)의 세 가지 데이터 세트의 환자가 포함되었습니다.
추가 정보:
- 에라스무스 MC(환자 710명): 연령, 성별 및 진단 정보를 포함합니다. 각 환자는 여러 개의 전체 슬라이드 이미지를 가질 수 있습니다.
- Maastro(환자 137명): 각 환자는 여러 개의 전체 슬라이드 이미지를 가질 수 있습니다.
- University Hospital Lyon(환자 181명): 각 환자는 여러 개의 전체 슬라이드 이미지를 가질 수 있습니다.
설명
포함 기준:
특정 진단을 받은 참가자는 연구에 포함될 자격이 있습니다. 적합한 진단에는 흉선종과 흉선암종의 다양한 하위 유형이 포함됩니다. 특히 다음과 같습니다.
- 흉선종 A
- 흉선종 AB
- 흉선종 B1
- 흉선종 B2
- 흉선종 B3
- 흉선암종
포함은 동의 수준이 70% 미만인 합의 진단을 기반으로 합니다. 이 기준은 모델의 학습 단계에서 적용됩니다.
재발 기준:
5년 이내에 문서화된 재발 결과가 있는 참가자는 연구의 이 측면에 적합한 것으로 간주됩니다. 이 기준은 주로 검증 단계에서 적용됩니다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
TET 환자
다음 TET 아형으로 진단받은 환자:
|
AI Diagnostics는 정밀한 조직학적 이미지 분석을 위한 고급 알고리즘을 사용하여 하위 유형을 포함한 질병 진단을 돕습니다.
다른 이름들:
|
|
회귀
재발을 경험한 흉선 상피 종양 환자.
|
이 AI 도구는 흉선 상피 종양의 특정 하위 유형과 임상 데이터와의 연관성이 있는지 분석하는 것을 목표로 흉선 종양 데이터 및 기타 임상 데이터를 평가하고 재발 위험을 계산합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
WP1 - 데이터베이스/데이터 전처리
기간: M1-M18
|
EMC 데이터 세트에는 숙련된 TET 병리학자가 분류한 179명의 TET 환자가 포함되어 있습니다.
병리학자 간의 합의가 잘 이루어진 사례는 AI 모델 교육에 사용됩니다.
평가에는 국제 전문가 패널이 평가한 디지털 병리학 슬라이드가 포함됩니다.
MUMC 데이터베이스(환자 137명) 및 CHUL 데이터베이스(환자 181명)는 임상 변수를 포함한 추가 데이터를 제공합니다.
관련 요인으로는 연령, 성별, 종양의 크기, 병기, 절제술의 완전성, 자가면역질환, 치료 세부사항 등이 있습니다.
|
M1-M18
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
WP2 - TET 분류 및 재발 예측을 위한 딥러닝 모델
기간: M6-M32
|
이 결과는 두 가지 주요 목표를 가진 AI 프레임워크를 만드는 것을 목표로 합니다.
먼저, 세포 유형, 형태학적 구조 및 조합을 강조하는 4가지 모델을 사용하여 TET 하위 유형을 조사합니다.
둘째, 5년 이내 재발 결과를 기준으로 환자를 분류한다.
최첨단 딥러닝 분류기(ResNet, Inception)를 활용하여 절제 연구가 진행됩니다.
|
M6-M32
|
기타 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
WP3: 임상평가
기간: M6-M36
|
AI 모델 1-3은 EMC 데이터베이스에 구축 및 검증되는 반면, AI 모델 4는 MUMC+ 데이터베이스에 구축 및 검증됩니다.
모델 성능은 민감도, 특이성, 음성/양성 예측 값을 사용하여 평가됩니다.
결정 분석 곡선은 임상적 이점을 정량화하여 가장 큰 유용성을 갖는 환자 그룹을 식별합니다.
|
M6-M36
|
공동 작업자 및 조사자
간행물 및 유용한 링크
일반 간행물
- Wolf JL, van Nederveen F, Blaauwgeers H, Marx A, Nicholson AG, Roden AC, Strobel P, Timens W, Weissferdt A, von der Thusen J, den Bakker MA. Interobserver variation in the classification of thymic lesions including biopsies and resection specimens in an international digital microscopy panel. Histopathology. 2020 Nov;77(5):734-741. doi: 10.1111/his.14167. Epub 2020 Sep 24.
- Molina TJ, Bluthgen MV, Chalabreysse L, de Montpreville VT, de Muret A, Dubois R, Hofman V, Lantuejoul S, le Naoures C, Mansuet-Lupo A, Parrens M, Piton N, Rouquette I, Secq V, Girard N, Marx A, Besse B. Impact of expert pathologic review of thymic epithelial tumours on diagnosis and management in a real-life setting: A RYTHMIC study. Eur J Cancer. 2021 Jan;143:158-167. doi: 10.1016/j.ejca.2020.11.011. Epub 2020 Dec 11.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
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 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- Maastro Clinic
- 72725524 (기타 보조금/기금 번호: Hanarth Fonds)
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
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. .