딥 러닝을 활용한 CT 스캔으로부터 결장 종양의 고급 분류: 최적화된 치료 의사 결정을 위하여. (DeepColScan)
CT 스캔을 이용한 대장 종양의 심층 학습 기반 고급 분류: 최적화된 치료 결정을 위한 다기관 연구
연구 개요
상태
정황
상세 설명
이 연구는 대장암 환자에서 수술 전 CT 기반 TNM 병기 결정을 개선하기 위한 딥러닝 방법의 사용을 평가하는 후향적, 비중재적, 관찰 연구입니다. 이 연구는 AP-HP 병원 네트워크(프랑스 파리) 내 여러 기관에서 수행되며, 기관 건강 데이터 웨어하우스에서 추출한 데이터를 사용합니다.
종양 병기(T) 및 림프절 상태(N) 평가에서 영상의학적 정확도는 신보조 치료 선택에 매우 중요함에도 불구하고 여전히 제한적입니다. 주석이 달린 영상 데이터로 훈련된 인공지능 모델은 더 일관적이고 재현 가능하며 정확한 분류를 제공할 수 있습니다.
연구 코호트에는 2017년 1월부터 2024년 11월 사이에 대장 절제술을 받은 성인 환자 중 수술 전 CT 스캔과 해당 병리 보고서가 있는 환자가 포함됩니다. 적격 사례는 표준화된 진단(ICD-10) 및 시술(CCAM) 코드를 사용하여 식별됩니다. 영상 및 임상 데이터는 분석 전에 비식별화됩니다.
3D 합성곱 신경망 및 트랜스포머 기반 접근법을 포함한 여러 AI 모델 아키텍처가 테스트될 예정입니다. CT 스캔은 표준 파이프라인을 사용하여 전처리되며, 병리 라벨은 자연어 처리(NLP) 기술 또는 필요 시 수동 검토를 통해 추출됩니다. 모델 성능은 교차 검증을 통해 평가되며 AUC, F1 점수, 민감도 및 특이도를 사용하여 평가됩니다.
탐색적 분석에는 세분화된 종양 병기 결정 및 생존과 같은 임상 결과에 대한 영상 기반 특징의 잠재적 예후 가치가 포함됩니다.
연구 관련 시술은 수행되지 않습니다. 모든 분석은 기존 데이터에 대해 수행되며, 프랑스 데이터 보호 및 윤리 규정을 준수합니다.
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Quentin Vanderbecq, MD
- 전화번호: 00 33 1 49 28 20 00
- 이메일: quentin.vanderbecq@aphp.fr
연구 연락처 백업
- 이름: Mathilde WAGNER, MD,PhD
- 전화번호: 00 33 1 49 28 20 00
- 이메일: mathilde.wagner@aphp.fr
연구 장소
-
-
-
Paris, 프랑스, 75012
- Departement of radiology, saint Antoin Hospital
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
2017년 1월 1일부터 2024년 1월 11일까지 AP-HP 병원에서 결장 절제술을 받은 성인으로, 다음 조건을 충족하는 경우:
수술 전 60일 이내에 시행한 복부골반 CT 스캔이 존재해야 함.
수술 후 90일 이내에 해당 병리 보고서(해부병리학적 결과)가 존재해야 함.
CCAM 절차 코드로 확인된 결장 절제술:
HHFA002, HHFA004, HHFA005, HHFA006, HHFA008, HHFA009, HHFA010, HHFA014, HHFA017, HHFA018, HHFA021, HHFA022, HHFA023, HHFA024, HHFA026, HHFA028, HHFA029, HHFA030, HHFA031, HHFC040, HHFC296.
ICD-10 코드로 확인된 결장 종양 진단:
C18* (결장 신생물).
제외 기준:
수술 전 신보조 화학요법을 받은 환자로, 수술 행위 이전에 기록된 ICD-10 코드 Z511 또는 Z512로 확인됨.
이러한 제외 사항은 정확성을 보장하기 위해 수동 의무기록 검토를 통해 구체화 및 확인될 예정임.
수술 사건과 연결된 사용 가능한 CT 영상 또는 해부병리학 데이터가 없는 경우.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
검증 집단
참여 기관에서 수술 전 흉복부골반 CT를 시행한 후 결장절제술을 받은 병리학적으로 확인된 결장암 성인 환자; 영상 및 병리학적 품질 기준을 충족하는 사례는 모델 훈련 및 내부 교차 검증에 사용되었습니다. AI / 딥러닝 CT 분석: 기존 수술 전 CT 스캔 및 연계된 병리학/임상 데이터를 이용한 자동화된 병기 분류 모델 개발 및 평가를 위한 후향적 분석입니다. 실험적 약물, 장치 또는 시술은 시행되지 않습니다. |
|
테스트 그룹
모델 개발에서 제외된 적격 대장암 사례 중에서 무작위로 추출된 별도의 하위 집합(모델 훈련 시작 시점에)으로, T 및 N 분류 모델에 대한 독립적인 성능 검증과 탐색적 2차 분석을 제공하기 위해 설정되었습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
CT 기반 딥러닝 모델의 T 병기(T1-2 대 T3-4) 및 N 병기(N- 대 N+) 분류에 대한 진단 성능
기간: 수술 전 CT부터 수술 후 병리 보고서까지 인덱싱(수술 후 90일 이내).
|
ROC 곡선 아래 면적(AUC) 및 딥러닝 모델의 F1-점수는 (a) 조기 대 진행된 T 단계(T1-2 vs T3-4) 분류와 (b) 병리학적 금기준과 비교한 림프절 상태(N- vs N+) 분류에서 나타낸다.
민감도, 특이도, 양성예측도(PPV), 음성예측도(NPV)는 보조 지표로 보고되었으며, 가능한 경우 모델 성능은 과거 영상의학과 의사 기준치와 비교되었다.
|
수술 전 CT부터 수술 후 병리 보고서까지 인덱싱(수술 후 90일 이내).
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
수술 전 CT에서 T4 종양의 검출 성능.
기간: 수술 후 90일 이내의 병리학적 확인을 위한 CT 지수.
|
이진 분류 T4 대 비-T4(T1-3)에 대한 AUC, F1, 민감도, 특이도.
데이터가 허용하는 경우 종양 위치 및 조영 단계에 따라 분석을 계층화합니다.
|
수술 후 90일 이내의 병리학적 확인을 위한 CT 지수.
|
|
다중 클래스 T-단계 분류 정확도 (T1, T2, T3, T4).
기간: 인덱스 CT에서 병리학적 확인까지(≤90일).
|
모델이 예측한 4단계 T 병기와 병리학적 진단을 비교한 거시적 평균 F1, 클래스별 민감도/특이도, 혼동 행렬, 코헨의 카파
|
인덱스 CT에서 병리학적 확인까지(≤90일).
|
|
CT 유도 모델 특징의 임상 결과 및 생존에 대한 예후 가치.
기간: 인덱스 CT부터 마지막 추적 관찰까지 (최대 5년, 또는 EHR에서 가능한 최대 추적 관찰 기간).
|
모델 출력(확률, 임베딩)과 (a) 전체 생존율, (b) 무병 생존율 간의 연관성.
가능한 경우 임상 공변량을 조정한 카플란-마이어 분석, 로그-순위 검정 및 다변량 콕스 모델을 사용하여 평가됨.
|
인덱스 CT부터 마지막 추적 관찰까지 (최대 5년, 또는 EHR에서 가능한 최대 추적 관찰 기간).
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Quentin Vanderbecq, MD, Assistance Publique - Hopitaux de Paris
연구 기록 날짜
연구 주요 날짜
연구 시작 (추정된)
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 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. .