Op PET/CT gebaseerde beeldanalyse en machinaal leren van hypermetabole longlaesies
22 juli 2025 bijgewerkt door: Hu Jiajia, Ruijin Hospital
Op PET/CT-beeldvorming gebaseerd onderscheid tussen longlymfoom en andere hypermetabolische laesies via beeldvormingsmanifestaties en machine learning-technieken: een retrospectief onderzoek in meerdere centra
Eerst analyseren we de typen, beeldvormende bevindingen en relevante behandelreacties op basis van PET/CT om een uitgebreider beeld van longlymfomen te krijgen.
Vervolgens zullen enkele modellen gebaseerd op radiomics-kenmerken worden ontwikkeld om de mogelijkheid te verifiëren om longlymfomen te differentiëren via machinaal leren en een classificatiemodel met meerdere klassen te ontwikkelen.
Het uiteindelijke doel van deze studie is het ontwikkelen van een reeks diepgaande leermodellen voor voorlopige segmentatie van longlaesies en classificatie in meerdere klassen. De modellen zullen FDG-avid-longlaesies indelen in vier groepen, elk gedefinieerd op basis van hun pathologische oorsprong, primaire therapie en relevante klinische afdeling.
Studie Overzicht
Toestand
Voltooid
Interventie / Behandeling
Gedetailleerde beschrijving
- De lokale extractiesoftware voor beeldkenmerken (LIFEx, v 7.4.0, Frankrijk) werd ingezet voor de beeldbeoordeling en het meten van relevante gegevens. Drie waarnemers interpreteerden de beelden onafhankelijk van elkaar. In gevallen van onenigheid kreeg de mening van een senior arts met meer dan tien jaar ervaring voorrang. De beeldvormingsbevindingen werden vastgelegd op basis van de basisonderzoeken. Aantal laesies, locaties en beschrijvende labels werden systematisch geregistreerd in overeenstemming met de normen uiteengezet in het beeldvormingsrapport. Bij het sorteren en berekenen van de gegevens werd gebruik gemaakt van de statistische software SPSS (v26.0). De Chi-kwadraattest werd gebruikt om SPL en PPL te vergelijken op basis van categorische variabelen zoals CT-bevindingen, terwijl de T-test werd gebruikt om continue variabelen zoals glycemie en SUV te beoordelen. Gezien het overwicht van categorische variabelen werd chi-kwadraat of Fisher's exact-test (voor monsters <40 of >20% cellen met <5 verwachte tellingen) gebruikt om de behandelingsrespons en beeldvormingsprestaties te beoordelen. De correlatiecoëfficiënt van Spearman werd gebruikt om de relatie tussen categorische en op SUV's gebaseerde continue variabelen te analyseren.
- In deze studie werd het metabole tumorvolume bij een relatieve drempel van 40% (MTV40%) geselecteerd als het gewenste volume (VOI) voor beeldanalyse. Voor feature-extractie hebben we de op Python (v3.11.7) gebaseerde radiomics feature-extractietoolkit PyRadiomics (v3.1.0) gebruikt, samen met de bibliotheek voor medische beeldverwerking SimpleITK (v2.3.1), de bibliotheek voor numerieke berekeningen en gegevensmanipulatie Numpy (v1.26.2) en de wavelettransformatiebibliotheek PyWavelet (v1.5.0). Functieselectie werd uitgevoerd met behulp van RStudio (v.2023.12.0+369) op basis van de programmeertaal R (v4.2.0). Om de rekenefficiëntie te garanderen en overfitting te voorkomen, werd het aantal behouden kenmerken beperkt tot 10% of minder van het aantal laesies in de trainingsset. Modelanalyse en validatie werden voornamelijk ook uitgevoerd met behulp van RStudio.
- Het diepgaande leeronderzoek verdeelt de taak van het identificeren en classificeren van hypermetabolische longlaesies in twee fasen: segmentatie en classificatie. In de segmentatiefase hebben we eerst het open-source 2D-model Lungmask gebruikt om het longgebied automatisch bij te snijden uit PET/CT-beelden van het hele lichaam, zodat de daaropvolgende verwerking zich op het longgebied concentreert. Vervolgens ontwikkelden we een 3D UNet-model met restmodules die specifiek zijn ontworpen voor het segmenteren van hypermetabolische longlaesies. Dit model neemt de bijgesneden PET/CT-beelden als invoer, waarbij op efficiënte wijze laesie-informatie uit de driedimensionale beelden wordt geëxtraheerd en de hypermetabolische longlaesiegebieden nauwkeurig worden gesegmenteerd. Het model werd vervolgens toegepast op zowel interne testsets als externe validatiesets voor gevolgtrekking, resulterend in de extractie van laesie-bevattende ROI's.
Studietype
Observationeel
Inschrijving (Werkelijk)
647
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Shanghai
-
Shanghai, Shanghai, China, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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
Bij deze retrospectieve studie werden patiënten geïncludeerd die PET/CT-onderzoeken ondergingen op de afdeling Nucleaire Geneeskunde van januari 2015 tot februari 2024 in vijf instellingen: Ruijin Hospital, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital in de provincie Anhui en het Aangesloten ziekenhuis van de Nanjing Universiteit voor Traditionele Chinese Geneeskunde.
Beschrijving
Inclusiecriteria:
- Volwassen patiënten (≥18 jaar);
- Primair of recidiverend lymfoom, ≥6 maanden na de laatste behandeling; patiënten met primaire longkanker zonder eerdere maligniteit;
- Goedaardige solide longlaesies, zonder voorafgaande maligniteit;
- Longmetastasen, onbehandeld met longradiotherapie of deeltjesimplantatie;
- Basisbeoordeling waarbij PET-positieve longlaesies aan het licht komen.
- Pathologische resultaten binnen 3 maanden na de onderzoeksdatum, bevestigde soorten longlaesies via tracheoscopie, longpunctie of operatie.
- Longlaesies bij baseline die op basis van klinische follow-up en beeldvormende evaluatie nog steeds als longlymfoom (of metastasen) worden beschouwd.
Uitsluitingscriteria:
- Slechte beeldkwaliteit;
- Onvermogen om de grenzen van longlaesies af te bakenen op CT-beelden;
- Artefacten veroorzaakt door apparaten in de buurt, zoals stents of drainagebuizen.
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 |
|---|---|
|
Pulmonaal lymfoom
(1) Volwassen patiënten (≥18 jaar).
(2) Patiënten met primair of recidiverend lymfoom, ≥6 maanden na de laatste behandeling.
(3) Bij baselinebeoordeling in het ziekenhuis kwamen PET-positieve longlaesies aan het licht, met op CT gemeten maximale diameter ≥3 mm, zichtbaar over ≥2 beeldlagen.
(4) Pathologische resultaten binnen 3 maanden na de onderzoeksdatum, bevestigde soorten longlaesies via tracheoscopie, longpunctie of operatie.
Of pulmonale laesies van lymfoom bij aanvang, gediagnosticeerd door een lymfeklier- en uitwendige longpunctie, blijven op basis van klinische follow-up en beeldvormende evaluatie als longlymfoom beschouwd.
|
Observeer de medische beelden via een werkplek of lokale beeldanalysesoftware
Beeldkenmerken extraheren via radiomics of deep learning-methoden
|
|
Longkanker
(1) Volwassen patiënten (≥18 jaar).
(2) Patiënten met patiënten met primaire longkanker zonder eerdere maligniteit. (3) Uit baselinebeoordeling in het ziekenhuis kwamen PET-positieve longlaesies naar voren, CT-gemeten maximale diameter ≥3 mm, zichtbaar over ≥2 beeldlagen.
(4) Pathologische resultaten binnen 3 maanden na de onderzoeksdatum, bevestigde soorten longlaesies via tracheoscopie, longpunctie of operatie.
|
Observeer de medische beelden via een werkplek of lokale beeldanalysesoftware
Beeldkenmerken extraheren via radiomics of deep learning-methoden
|
|
Goedaardig
(1) Volwassen patiënten (≥18 jaar).
(2) Patiënten met goedaardige solide longlaesies, zonder eerdere maligniteit.
(3) Bij baselinebeoordeling in het ziekenhuis kwamen PET-positieve longlaesies aan het licht, met op CT gemeten maximale diameter ≥3 mm, zichtbaar over ≥2 beeldlagen.
(4) Pathologische resultaten binnen 3 maanden na de onderzoeksdatum, bevestigde soorten longlaesies via tracheoscopie, longpunctie of operatie.
|
Observeer de medische beelden via een werkplek of lokale beeldanalysesoftware
Beeldkenmerken extraheren via radiomics of deep learning-methoden
|
|
Metastase
(1) Volwassen patiënten (≥18 jaar).
(2) Patiënten met longmetastasen, onbehandeld met longradiotherapie of deeltjesimplantatie.
(3) Bij baselinebeoordeling in het ziekenhuis kwamen PET-positieve longlaesies aan het licht, met op CT gemeten maximale diameter ≥3 mm, zichtbaar over ≥2 beeldlagen.
(4) Pathologische resultaten binnen 3 maanden na de onderzoeksdatum, bevestigde soorten longlaesies via tracheoscopie, longpunctie of operatie.
Of longlaesies bij aanvang van metastasen gediagnosticeerd door lymfeklier- en uitwendige longpunctie, blijven op basis van klinische follow-up en beeldvormende evaluatie als longmetastasen beschouwd.
|
Observeer de medische beelden via een werkplek of lokale beeldanalysesoftware
Beeldkenmerken extraheren via radiomics of deep learning-methoden
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Tijdsspanne |
|---|---|
|
Beeldvorming/radiomics/diepe leerfuncties van 18F-FDG PET/CT-beeld
Tijdsspanne: Basislijn
|
Basislijn
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Efficiëntie van het segmentatiemodel
Tijdsspanne: onmiddellijk na het ontwikkelen en testen van modellen
|
De effectiviteit van het segmentatiemodel wordt geëvalueerd aan de hand van het detectiepercentage van laesies en de Dice-gelijkeniscoëfficiënt (2(A∩B)/(A+B), A=gesegmenteerd voxelvolume, B=grondwaarheidsvolume), die beide de nauwkeurigheid van het verdelen van de laesie en de achtergrond.
|
onmiddellijk na het ontwikkelen en testen van modellen
|
|
Efficiëntie van het classificatiemodel
Tijdsspanne: onmiddellijk na het ontwikkelen en testen van modellen
|
Het classificatiemodel wordt geëvalueerd op basis van de nauwkeurigheid [ (TP+TN)/(TP+FP+TN+FN) ] , precisie [TP/(TP+FP)], herinnering [TP/(TP+FN)], F1- score [2*precisie*herinnering/(precisie+herinnering)], die allemaal de verhouding beschrijft van correct of verkeerd geclassificeerde laesies van de monsters vanuit verschillende aspecten.
Terwijl de curve van de ontvanger-bedrijfskarakteristiek (ROC) dit visueeler kan illustreren.
Area under the curve (AUC) berekende het aandeel van de oppervlakte onder de ROC-curve, variërend van 0 tot 1, wat de algehele efficiëntie van de classificatie in elke groep weergeeft.
|
onmiddellijk na het ontwikkelen en testen van modellen
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
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 (Werkelijk)
1 april 2024
Primaire voltooiing (Werkelijk)
20 juli 2024
Studie voltooiing (Werkelijk)
30 april 2025
Studieregistratiedata
Eerst ingediend
11 september 2024
Eerst ingediend dat voldeed aan de QC-criteria
17 september 2024
Eerst geplaatst (Werkelijk)
19 september 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
23 juli 2025
Laatste update ingediend die voldeed aan QC-criteria
22 juli 2025
Laatst geverifieerd
1 juli 2025
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- RuijinH 2024-70
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
product vervaardigd in en geëxporteerd uit de V.S.
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 .