Deep Learning-model voorspelt pathologische volledige respons van longkanker na neoadjuvante immunochemotherapie
11 maart 2024 bijgewerkt door: Wuhan Union Hospital, China
Een kunstmatige-intelligentiemodel voorspelt de pathologische volledige respons van longkanker na neoadjuvante immunochemotherapie
Deze studie presenteert de ontwikkeling en validatie van een voorspellingssysteem voor kunstmatige intelligentie (AI) dat gebruik maakt van pre-neoadjuvante immunotherapie-scans en verbeterde multimodale CT-scans om diepgaande leerkenmerken te extraheren.
Het doel is om het optreden van een pathologische complete respons te voorspellen bij niet-kleincellige longkankerpatiënten die neoadjuvante immunochemotherapie ondergaan.
Studie Overzicht
Toestand
Nog niet aan het werven
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Deze studie verkreeg retrospectief niet-contrastversterkte en contrastversterkte CT-scans van patiënten met NSCLC die een operatie ondergingen na neoadjuvante immunochemotherapie.
in meerdere centra tussen augustus 2019 en februari 2023.
Deep learning-kenmerken werden geëxtraheerd uit zowel niet-contractverbeterde als contractversterkte CT-scans om respectievelijk de voorspellende modellen (LUNAI-nCT-model en LUNAI-eCT-model) te construeren.
Na het samenvoegen van deze twee soorten kenmerken werd een gefuseerd model (LUNAI-fCT-model) geconstrueerd.
De prestaties van het model werden geëvalueerd met behulp van het gebied onder de receiver operating karakteristieke curve (AUC), nauwkeurigheid, gevoeligheid, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV).
SHapley Additive exPlanations (SHAP)-analyse werd gebruikt om de impact van CT-beeldvormingskenmerken op modelvoorspelling te kwantificeren.
Om inzicht te krijgen in hoe ons model voorspellingen doet, hebben we Gradient-weighted Class Activation Mapping (Grad-CAM) gebruikt om saillante heatmaps te genereren.
Studietype
Observationeel
Inschrijving (Geschat)
1000
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
patiënten bij wie de diagnose niet-kleincellig carcinoom is gesteld en die een operatie ondergaan na een neoadjuvante behandeling met chemo-immunotherapie
Beschrijving
Inclusiecriteria:
- Patiënten met niet-kleincellige longkanker, gediagnosticeerd via biopsiepathologie en klinisch geclassificeerd als stadium IB tot III;
- Patiënten die ten minste twee cycli neoadjuvante immunotherapie krijgen, gecombineerd met chemotherapie-inductietherapie;
- Volgens de IASLC-richtlijnen werd postoperatief pathologische evaluatie uitgevoerd op de behandelingsrespons van de primaire laesie van de tumor en de lymfeklieren.
Uitsluitingscriteria:
- Ontbrekende of onvoldoende kwaliteit van CT;
- Het tijdsinterval tussen CT en start van de behandeling is groter dan 1 maand;
- Onvolledige klinisch-pathologische gegevens.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Trainingsgegevensset
patiënten bij wie de diagnose niet-kleincellig carcinoom is gesteld en die een operatie ondergaan na neoadjuvante chemo-immunotherapiebehandeling in ziekenhuis 1 (Tongji Medical College Affiliated Union Hospital)
|
De snelle extractie van grote hoeveelheden kwantitatieve beeldkenmerken uit medische beelden
|
|
dataset testen
patiënten bij wie de diagnose niet-kleincellig carcinoom is gesteld en die een operatie ondergaan na neoadjuvante chemo-immunotherapiebehandeling in het ziekenhuis (Zhengzhou University First Affiliated Hospital, Yichang Central Hospital, Anyang Cancer Hospital)
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
de nauwkeurigheid, gevoeligheid, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) van het voorspellingsmodel
Tijdsspanne: Basisbehandeling
|
Er werden verschillende statistieken berekend, waaronder nauwkeurigheid, gevoeligheid, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV).
|
Basisbehandeling
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Geschat)
1 maart 2024
Primaire voltooiing (Geschat)
1 december 2025
Studie voltooiing (Geschat)
1 maart 2026
Studieregistratiedata
Eerst ingediend
22 februari 2024
Eerst ingediend dat voldeed aan de QC-criteria
22 februari 2024
Eerst geplaatst (Werkelijk)
29 februari 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
13 maart 2024
Laatste update ingediend die voldeed aan QC-criteria
11 maart 2024
Laatst geverifieerd
1 februari 2024
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- LUNAI
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
ONBESLIST
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .