Opperkende analyse van colorectale kankerpathologie-afbeeldingen: een innovatieve benadering voor het voorspellen van colorectale kanker subtypen
13 april 2025 bijgewerkt door: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
AI-aangedreven copiloten voor precisiediagnose en chirurgische beoordeling van histologische groeipatronen in resecteerbare colorectale levermetastasen: een prospectieve studie
Colorectale kanker (CRC) is een belangrijke oorzaak van sterfte in China, met metastase die aanzienlijk bijdraagt aan slechte resultaten.
Histopathologische groeipatronen (HGP's) in colorectale levermetastase (CRLM) bieden vitale prognostische inzichten, maar het beperkte aantal pathologen benadrukt de noodzaak van hulpdiagnostische hulpmiddelen.
Recente ontwikkelingen in kunstmatige intelligentie (AI) hebben aangetoond potentieel bij het verbeteren van de diagnostische precisie, waardoor de ontwikkeling van gespecialiseerde AI -modellen zoals koffie de classificatie en het beheer van HGP's bij CRLM -patiënten verbetert.
Deze studie heeft als doel een transformator-gebaseerd diep leermodel te ontwikkelen en te valideren, koffie, voor de classificatie van colorectale kanker-subtypen met behulp van hele dia-afbeeldingen (WSIS) van patiënten met de diagnose van levermetastase van colorectale kanker.
Het model is vooraf getraind met behulp van zelfbewust leren (DINO) op WSIS uit het TCGA-Coad-cohort, met behulp van een visie-transformator (VIT) -architectuur om 384-dimensionale functievectoren te extraheren uit 256 × 256 pixelpleisters.
Het koffiemodel integreert een transformator-gebaseerd multiple instance learning (Transmil) framework, met multi-head zelfaansluiting en piramide positie coderingsgenerator (PPEG) modules om ruimtelijke en morfologische informatie te verzamelen.
De studie omvat training, testen en prospectieve validatiecohorten en evalueert de prestaties van het model in zowel binaire als multi-class classificatie-instellingen, evenals het potentieel om pathologen te helpen bij klinische workflows.
Studie Overzicht
Toestand
Voltooid
Conditie
Interventie / Behandeling
Studietype
Observationeel
Inschrijving (Werkelijk)
431
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
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510655
- Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University
-
-
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
De studie omvatte 431 patiënten met levermetastase van colorectale kanker, die allemaal een operatie ondergaan in het zesde aangesloten ziekenhuis van Sun Yat-Sen University.
Het cohort bestond uit 297 patiënten in de trainingsset en 104 patiënten in de testset.
Beschrijving
Inclusiecriteria:
- Patiënten met de diagnose van levermetastase van colorectale kanker (CRLM) ondergaan chirurgische behandeling;
- De maximale diameter van geresecteerde metastatische laesies moet ≥ 2 cm zijn;
- Beschikbaarheid van pathologische dia's samen met klinische, biologische en pathologische kenmerken van baseline.
Uitsluitingscriteria:
- Weefselsecties verkregen uit biopsiemonsters;
- Afwezigheid van levensvatbaar tumorweefsel in metastatische laesies;
- Laesies die eerder werden behandeld met ablatie gevolgd door chirurgische resectie, wat resulteert in onvoldoende weefselschuifkwaliteit.
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 |
|---|---|
|
Chirurgische pathologie dia's van de Sahsysu, 1.994 WSIS van 297 dia's van 3 juli 2013.
Deze groep omvat 297 patiënten met levermetastase van colorectale kanker (CRLM), waaruit 1.994 hele dia -afbeeldingen (WSIS) werden verzameld.
Deze dia's werden gebruikt voor het ontwikkelen en testen van het Coffee AI -model voor histopathologisch groeipatroon (HGP) -classificatie, waardoor waardevolle inzichten voor tumorkarakterisering en prognose werden geboden.
|
Chirurgische resectie van levermetastase van colorectale kanker (CRLM) omvat het verwijderen van metastatische laesies uit de lever.
Deze procedure is gericht op het verbeteren van de overlevingspercentages en het verminderen van tumorlast bij patiënten met de diagnose CRLM.
De resectie wordt uitgevoerd om levermetastase te behandelen, en klinische resultaten, zoals progressievrije overleving (PFS) en algehele overleving (OS), worden na de operatie beoordeeld om de effectiviteit van de behandeling te bepalen.
|
|
Chirurgische pathologie dia's van de Sahsysu, 972 WSIS van 104 patiënten van 21 april 2023.
Dit cohort bevat 104 patiënten met de diagnose CRLM.
972 WSIS werd verzameld om het koffiemodel te valideren op een recentere gegevensset, waarbij de prestaties van het model in zowel binaire als vierklasse HGP-classificaties werden geëvalueerd.
|
Chirurgische resectie van levermetastase van colorectale kanker (CRLM) omvat het verwijderen van metastatische laesies uit de lever.
Deze procedure is gericht op het verbeteren van de overlevingspercentages en het verminderen van tumorlast bij patiënten met de diagnose CRLM.
De resectie wordt uitgevoerd om levermetastase te behandelen, en klinische resultaten, zoals progressievrije overleving (PFS) en algehele overleving (OS), worden na de operatie beoordeeld om de effectiviteit van de behandeling te bepalen.
|
|
Chirurgische pathologie dia's van de Sahsysu, 114 WSIS van 30 patiënten van 2024.
Dit potentiële cohort bestaat uit 30 patiënten met CRLM, waarvan 114 WSIS in 2024 werd verkregen.
Het cohort werd gebruikt om de klinische toepasbaarheid van het Coffee AI -model te beoordelen via een prospectieve proef, waarbij de diagnostische prestaties van pathologen met en zonder AI -hulp werden vergeleken.
|
Chirurgische resectie van levermetastase van colorectale kanker (CRLM) omvat het verwijderen van metastatische laesies uit de lever.
Deze procedure is gericht op het verbeteren van de overlevingspercentages en het verminderen van tumorlast bij patiënten met de diagnose CRLM.
De resectie wordt uitgevoerd om levermetastase te behandelen, en klinische resultaten, zoals progressievrije overleving (PFS) en algehele overleving (OS), worden na de operatie beoordeeld om de effectiviteit van de behandeling te bepalen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Classificatienauwkeurigheid (%) van het Coffee AI -model in binaire identificatie van histopathologische groeipatronen (HGP's) in CRLM met behulp van hele dia -afbeeldingen
Tijdsspanne: 6 maanden na de operatie (voor potentiële cohort)
|
Deze uitkomstmeter meet de nauwkeurigheid van de diagnostische classificatie van het Coffee AI -model bij het detecteren van histopathologische groeipatronen (HGP's) bij patiënten met levermetastase van colorectale kanker (CRLM).
Nauwkeurigheid wordt gedefinieerd als het aandeel van correct voorspelde HGP -labels in vergelijking met de grondwaarheidslabels bepaald door consensus van deskundige pathologen.
De analyse omvat binaire classificatie (Desmoplastic versus niet-desmoplastisch).
Nauwkeurigheid zal worden berekend als: nauwkeurigheid = totaal aantal voorspellingen / aantal correcte voorspellingen x 100%.
De uitkomst zal worden beoordeeld met behulp van digitale hele dia -afbeeldingen verkregen uit levermetastase -monsters verzameld tijdens de operatie.
Modelprestaties worden 6 maanden na de operatie geëvalueerd in een prospectief validatiecohort.
|
6 maanden na de operatie (voor potentiële cohort)
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Classificatienauwkeurigheid (%) van het Coffee AI-model bij multi-class identificatie van histopathologische groeipatronen (HGP's) in CRLM met behulp van hele dia-afbeeldingen
Tijdsspanne: 6 maanden na de operatie (voor potentiële cohort)
|
Deze uitkomstmeter meet de nauwkeurigheid van de diagnostische classificatie van het Coffee AI -model bij het detecteren van histopathologische groeipatronen (HGP's) bij patiënten met levermetastase van colorectale kanker (CRLM).
Nauwkeurigheid wordt gedefinieerd als het aandeel van correct voorspelde HGP -labels in vergelijking met de grondwaarheidslabels bepaald door consensus van deskundige pathologen.
De analyse omvat classificatie van vier klassen (desmoplastisch, vervangen, duwen en gemengd).
Nauwkeurigheid zal worden berekend als: nauwkeurigheid = totaal aantal voorspellingen / aantal correcte voorspellingen x 100%.
De uitkomst zal worden beoordeeld met behulp van digitale hele dia -afbeeldingen verkregen uit levermetastase -monsters verzameld tijdens de operatie.
Modelprestaties worden 6 maanden na de operatie geëvalueerd in een prospectief validatiecohort.
|
6 maanden na de operatie (voor potentiële cohort)
|
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Progressievrije overleving (PFS, in maanden) bij colorectale kanker levermetastase (CRLM) -patiënten gestratificeerd door ai-gebaseerde histopathologisch groeipatroon (HGP) classificatie
Tijdsspanne: Tot 3 jaar na de operatie
|
Deze uitkomst evalueert de associatie tussen AI-gebaseerde HGP-classificatie (DESMOPLASTIC en niet-descherm) en progressievrije overleving (PFS) bij patiënten met colorectale kankerlevermetastase (CRLM) na curatieve intentieve resectie.
PFS wordt gedefinieerd als de tijd van operatie tot ziekteprogressie of overlijden door welke oorzaak dan ook.
Kaplan-Meier-analyse zal worden gebruikt om PFS voor elke HGP-groep te schatten, met vergelijkingen door log-rank-test.
Multivariate COX -regressiemodellen zullen de prognostische waarde van HGP's beoordelen, aanpassing van klinische covariaten (bijv. Leeftijd, geslacht, metastase -aantal/grootte, chemotherapie, marge -status, tumorbelastingsscore).
Hazard -verhoudingen met 95% betrouwbaarheidsintervallen zullen worden gerapporteerd.
Modelaannames worden getest en indien nodig aangepast.
|
Tot 3 jaar na de operatie
|
|
Algemene overleving (OS, in maanden) bij patiënten met colorectale kanker metastase (CRLM) -patiënten gestratificeerd door AI-gebaseerde histopathologisch groeipatroon (HGP) classificatie
Tijdsspanne: Tot 3 jaar na de operatie
|
Deze uitkomst evalueert de associatie tussen AI-gebaseerde HGP-classificatie (DESMOPLASTIC en niet-descherm) en algehele overleving (OS) bij patiënten met colorectale kankerlevermetastase (CRLM) na curatief-intentieve resectie.
OS wordt gedefinieerd als de tijd van een operatie tot de dood door welke oorzaak dan ook.
Kaplan-Meier-analyse zal worden gebruikt om OS te schatten voor elke HGP-groep, met vergelijkingen door log-rank-test.
Multivariate COX -regressiemodellen zullen de prognostische waarde van HGP's beoordelen, aanpassing van klinische covariaten (bijv. Leeftijd, geslacht, metastase -aantal/grootte, chemotherapie, marge -status, tumorbelastingsscore).
Hazard -verhoudingen met 95% betrouwbaarheidsintervallen zullen worden gerapporteerd.
Modelaannames worden getest en indien nodig aangepast.
|
Tot 3 jaar na de operatie
|
|
Tijd tot diagnose (in minuten) door pathologen met en zonder AI-ondersteund koffiemodel in CRLM HGP-classificatie
Tijdsspanne: Tijdens de prospectieve proefperiode (6 maanden)
|
Deze uitkomst beoordeelt de impact van het AI-geassisteerde koffiemodel op de diagnostische efficiëntie door de tijd die pathologen vereist te vergelijken om histopathologische groeipatronen (HGP's) van levermetastase van colorectale kanker (CRLM) te classificeren, met en zonder koffiehulp.
De metriek is de tijd (minuten) van Slide Review Start -to Definiture Diagnose, gemeten voor elke patholoog met behulp van een gestandaardiseerd digitaal beeldplatform voor het beeld van de hele dia.
De vergelijking omvat twee armen: de AI-Assisted Diagnose Arm, waarbij junior pathologen koffie gebruiken als een beslissingsondersteuningstool en de conventionele diagnosebarm, waar pathologen handmatige classificatie uitvoeren op basis van visuele histopathologische beoordeling.
Alle deelnemers beoordelen dezelfde set dia's in gerandomiseerde volgorde en de diagnostische tijd wordt vastgelegd door de kijksoftware.
Beschrijvende statistieken (mediaan, IQR) zullen worden gerapporteerd.
|
Tijdens de prospectieve proefperiode (6 maanden)
|
|
Diagnostische nauwkeurigheid (percentage correcte classificaties) van pathologen met en zonder AI-Assisted Coffee Model in CRLM HGP-classificatie
Tijdsspanne: Tijdens de prospectieve proefperiode (6 maanden)
|
Deze uitkomst evalueert de diagnostische nauwkeurigheid van pathologen bij het classificeren van histopathologische groeipatronen (HGP's) van levermetastase van colorectale kanker (CRLM), waarbij AI-ondersteunde versus conventionele diagnostische worklows wordt vergeleken.
Nauwkeurigheid wordt gedefinieerd als het aandeel correct geclassificeerde hele dia-afbeeldingen (WSIS) ten opzichte van een gouden standaard consensusdiagnose door deskundige gastro-intestinale pathologen.
Elke patholoog zal onafhankelijk dezelfde set CRLM WSIS classificeren onder twee voorwaarden: met AI -assistentie (koffiemodel) en zonder AI -hulp (handmatige beoordeling).
Classificatie zal worden geëvalueerd voor beide binaire HGP-categorieën (Desmoplastic versus niet-desplaketisch) en vierklasse HGP-categorieën (desmoplastisch, vervangend, duwen, gemengd).
Nauwkeurigheid zal worden berekend als: nauwkeurigheid = totaal aantal voorspellingen / aantal correcte voorspellingen x 100%.
|
Tijdens de prospectieve proefperiode (6 maanden)
|
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)
22 mei 2023
Primaire voltooiing (Werkelijk)
6 maart 2024
Studie voltooiing (Werkelijk)
6 maart 2024
Studieregistratiedata
Eerst ingediend
3 april 2025
Eerst ingediend dat voldeed aan de QC-criteria
13 april 2025
Eerst geplaatst (Werkelijk)
20 april 2025
Updates van studierecords
Laatste update geplaatst (Werkelijk)
20 april 2025
Laatste update ingediend die voldeed aan QC-criteria
13 april 2025
Laatst geverifieerd
1 april 2025
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2023ZSLYEC-256
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 .