후두암종의 갑상선 연골 침범 및 환자 예후를 예측하기 위한 CT 기반 방사선학 및 딥러닝 모델
2024년 8월 20일 업데이트: xinwei Chen, First Affiliated Hospital of Chongqing Medical University
후두암종의 갑상선 연골 침범 및 환자 예후를 예측하기 위한 CT 기반 방사선학, 2차원 및 3차원 딥 러닝 모델: 다기관 연구
본 후향적 연구는 후두암 환자의 갑상선 연골 침범을 수술 전 예측하기 위한 CT 기반 방사성학 모델, 2차원 딥러닝 모델, 3차원 딥러닝 모델을 개발하고 검증하여 임상의에게 보다 정확한 진단 및 치료 기반을 제공하고자 하였다.
그리고 앞서 언급한 모델들의 성능을 방사선 전문의 두 명과 비교했다.
또한 연구진은 위의 최적 모델을 통해 환자의 생존 결과 예측을 조사했다.
연구 개요
상세 설명
가장 흔한 두경부 종양 중 하나인 후두 편평 세포 암종(LSCC)은 전 세계적으로 암 관련 사망의 8번째 주요 원인입니다.
치료 결정은 LSCC 환자의 종양 제어와 기능적 예후 모두에 중대한 영향을 미칩니다.
그리고 이러한 결정은 주로 종양 단계에 기초하며, 갑상선 연골 침범이 중요한 결정 요인이 됩니다.
결과적으로, 갑상선 연골 침범의 존재는 LSCC 환자의 진행 단계(T3 또는 T4) 진단을 나타냅니다.
갑상선 연골 침범이 없는 환자의 경우 후두 기능을 보존하기 위해 부분 후두 절제술을 고려할 수 있습니다.
그러나 진행성 후두암과 갑상선 연골이 후두 너머까지 침범된 환자의 경우 종양을 완전히 제거하고 생존 기간을 연장하기 위해 후두 전절제술이 필요한 경우가 많습니다.
따라서 갑상선 연골 침범에 대한 정확한 평가는 LSCC 환자의 치료 결정 및 예후 평가에 필수적입니다.
최근에는 머신러닝, 딥러닝(DL) 형태의 인공지능이 의료 영상 분야에 폭넓게 적용되고 있습니다.
기계 학습에서 중요한 역할을 하는 Radiomics는 고차원 특징 데이터를 추출하고 종양 병기 결정 및 예후에 대한 귀중한 정보를 정량적으로 제공할 수 있습니다.
또한 DL은 정확한 예측을 위해 end-to-end 방식을 통해 차별적인 특징을 자동으로 포착하고 학습할 수 있습니다.
종합적으로, 본 다기관 연구의 목적은 정맥상 CT 영상을 기반으로 방사선학 모델, 2D DL 모델, 3D DL 모델을 개발 및 검증하고, 갑상선 연골 예측에 있어 이들 모델의 성능을 두 명의 방사선 전문의와 비교하는 것이었습니다. 침입.
또한 연구진은 갑상선 연골 침습의 최적 예측 모델의 예후 가치를 조사했습니다.
연구 유형
관찰
등록 (추정된)
400
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
-
Chongqing, 중국
- 모병
- The First Affiliated Hospital of Chongqing Medical University
-
연락하다:
- Peng juan
- 전화번호: +86 189 8328 0171
- 이메일: pengjuan1209@126.com
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
확률 샘플
연구 인구
연구자들은 두 센터에서 후두암 환자를 수집했습니다.
센터 1의 환자를 훈련 코호트와 내부 검증 코호트로 7:3의 비율로 무작위로 나누었습니다.
또한 센터 2의 환자가 외부 검증 코호트로 등록되었습니다.
설명
포함 기준:
- 완전한 임상 데이터의 가용성
- 수술로 입증되거나 생검으로 입증된 후두 편평 세포 암종 진단
- 수술 전 2주 이내에 실시하는 CT검사
제외 기준:
- 수술 전 화학요법이나 방사선 치료를 받은 환자
- 상당한 인공물이 있는 CT 이미지
- 종양이 재발한 환자
- 종양의 최대 직경이 5mm 미만인 환자
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
훈련 코호트
개입 없음
|
Radiomics는 의료 이미지에서 정량적 정보를 추출하여 분석을 위한 고차원 특징 벡터를 생성합니다. 질병 과정에 대한 통찰력을 제공하고 진단을 개선하는 것을 목표로 합니다. 딥 러닝은 여러 계층으로 구성된 신경망을 활용하여 데이터에서 복잡한 패턴을 학습합니다. 의료 영상 분야에서는 질병 탐지 및 진단을 위한 정확하고 효율적인 분석이 가능합니다.
다른 이름들:
|
|
내부 검증 코호트
개입 없음
|
Radiomics는 의료 이미지에서 정량적 정보를 추출하여 분석을 위한 고차원 특징 벡터를 생성합니다. 질병 과정에 대한 통찰력을 제공하고 진단을 개선하는 것을 목표로 합니다. 딥 러닝은 여러 계층으로 구성된 신경망을 활용하여 데이터에서 복잡한 패턴을 학습합니다. 의료 영상 분야에서는 질병 탐지 및 진단을 위한 정확하고 효율적인 분석이 가능합니다.
다른 이름들:
|
|
외부 검증 코호트
개입 없음
|
Radiomics는 의료 이미지에서 정량적 정보를 추출하여 분석을 위한 고차원 특징 벡터를 생성합니다. 질병 과정에 대한 통찰력을 제공하고 진단을 개선하는 것을 목표로 합니다. 딥 러닝은 여러 계층으로 구성된 신경망을 활용하여 데이터에서 복잡한 패턴을 학습합니다. 의료 영상 분야에서는 질병 탐지 및 진단을 위한 정확하고 효율적인 분석이 가능합니다.
다른 이름들:
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
곡선 아래 면적, AUC
기간: 연구 완료를 통해 평균 6개월
|
AUC(곡선 아래 면적)는 이진 분류 문제에서 모델의 성능을 평가하기 위해 기계 학습 및 의학 연구에서 널리 사용되는 측정항목입니다.
이는 부정적인 사례를 긍정적인 것으로 잘못 분류(거짓 긍정)하는 것을 피하면서 참 긍정(참 긍정)을 식별하는 모델의 능력을 반영합니다.
|
연구 완료를 통해 평균 6개월
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
무질병 생존, DFS
기간: 수술일, 질병 진행 등 이상반응 발생일, 마지막 추적일자 또는 어떠한 원인에 의한 사망일, 추적기간이 3년 이상인 경우
|
질병 없는 생존(DFS)은 무작위 배정 시작(일반적으로 임상 시험의 시작점)부터 질병이 재발하거나 질병 진행으로 인해 환자가 사망할 때까지의 시간을 의미합니다.
DFS는 암 치료의 장기적인 효과를 평가하는 데 사용되는 중요한 임상 및 통계 지표입니다.
|
수술일, 질병 진행 등 이상반응 발생일, 마지막 추적일자 또는 어떠한 원인에 의한 사망일, 추적기간이 3년 이상인 경우
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
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)
2023년 8월 13일
기본 완료 (추정된)
2024년 9월 13일
연구 완료 (추정된)
2024년 10월 13일
연구 등록 날짜
최초 제출
2024년 6월 12일
QC 기준을 충족하는 최초 제출
2024년 6월 17일
처음 게시됨 (실제)
2024년 6월 18일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2024년 8월 22일
QC 기준을 충족하는 마지막 업데이트 제출
2024년 8월 20일
마지막으로 확인됨
2024년 8월 1일
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- 2024-Chenx
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
아니요
IPD 계획 설명
임상 데이터는 임상 사례 시스템에서 수동으로 수집됩니다. CT 이미지 데이터는 PACS 시스템에서 내보내지고 별도의 데이터 디스크에 익명으로 저장됩니다. 이미지 자료는 수집되어 별도의 데이터 디스크에 익명으로 저장됩니다.
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
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. .