Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Multimodaal Deep Learning voor Lymfeklieruitzaaiingen in Schildklierkanker

22 december 2025 bijgewerkt door: Yu Feng, West China Hospital

Een multicenterstudie naar de ontwikkeling van een multimodaal deep learning-model op basis van kleurendopplerechografie voor het voorspellen van lymfekliermetastase en kankerstadia bij papillaire schildkliercarcinoom

Papillair schildkliercarcinoom (PTC) is de meest voorkomende endocriene maligniteit in de klinische praktijk, goed voor ongeveer 85% van alle schildkliermaligniteiten. Het optreden van cervicale lymfekliermetastase verhoogt verder het risico op lokale tumorrecidief en uitzaaiing op afstand, waardoor de overlevingskansen van patiënten worden verlaagd. Pathologische onderzoeken tonen aan dat ongeveer 30-80% van de PTC-patiënten lymfekliermetastase heeft. Vroege detectie van metastatische lymfeklieren en de ontwikkeling van geïndividualiseerde behandelplannen zijn cruciaal voor het verbeteren van de prognose van de patiënt. Momenteel is de primaire methode voor het diagnosticeren van lymfekliermetastase echogeleide fijne naaldaspiratie, maar de nauwkeurigheid ervan wordt beperkt door de kwaliteit van het monster en brengt een risico op vals-negatieve resultaten met zich mee. In recente jaren heeft deep learning-technologie aanzienlijk potentieel getoond op het gebied van medische beeldanalyse. Daarom beogen de onderzoekers een deep learning-model te ontwikkelen op basis van nek-echografie om lymfekliermetastase nauwkeuriger te voorspellen.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Interventie / Behandeling

Studietype

Observationeel

Inschrijving (Geschat)

3200

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Contact Back-up

Studie Locaties

  • China
    • Sichuan
      • Chengdu, Sichuan, China, 610041
        • West China Hospital of Sichuan University
        • Contact:
        • Contact:

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

Klinische gegevens van patiënten die tussen oktober 2020 en oktober 2025 een thyreoïdectomie ondergingen in het West China Hospital van de Sichuan University en de bijbehorende ziekenhuizen werden retrospectief verzameld en geanalyseerd.

Beschrijving

Inclusiecriteria:

Gevallen van 18-80 jaar die een schildklier-echografie en postoperatief pathologisch onderzoek van de schildklier ondergingen.

Gevallen met een eerste diagnose van papillair schildkliercarcinoom. Gevallen die lymfeklierdissectie ondergingen

Exclusiecriteria:

Gevallen jonger dan 18 jaar of ouder dan 80 jaar. Gevallen met slechte kwaliteit echografiebeelden. Gevallen met onvolledig gevisualiseerde knobbels. Gevallen met beelden die meerdere afzonderlijke laesies tonen. Gevallen behorend tot speciale populaties. Gevallen met gelijktijdige andere tumoren. Gevallen met een voorgeschiedenis van schildklierkankerresectie

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
Papillair schildkliercarcinoom groep
Ander: geen interventie
Dit is een retrospectieve observationele studie waarbij de deelnemers geen interventies zullen ondergaan, en alleen gegevensverzameling en -analyse zullen worden uitgevoerd bij de deelnemers.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Oppervlak onder de Receiver Operating Characteristic-curve voor een multimodaal deep learning-model op basis van cervixechografie bij het voorspellen van lymfekliermetastase
Tijdsspanne: Binnen 2 maanden na de voltooiing van de inclusie van proefpersonen
De onderzoeker zal een multimodaal deep learning-model gebruiken dat preoperatieve cervicale kleurdoppler-echografiebeelden integreert met bijbehorende gestructureerde tekstrapporten. De uiteindelijke uitvoer van het model is een voorspelde waarschijnlijkheid van lymfekliermetastase voor elke patiënt (een continue waarde tussen 0 en 1). Deze voorspelde waarschijnlijkheid wordt vergeleken met postoperatieve histopathologische diagnose resultaten (de gouden standaard). Er wordt een receiver operating characteristic curve voor het model uitgezet en het oppervlak onder de curve wordt berekend. Dit is de gouden standaard maatstaf voor het evalueren van het onderscheidend vermogen van een binaire classificatiemodel (metastase versus niet-metastase). Een hogere AUC-waarde duidt op een sterker algeheel onderscheidend vermogen van het model.
Binnen 2 maanden na de voltooiing van de inclusie van proefpersonen
Sensitiviteit van een multimodaal deep learning-model op basis van cervicale echografie voor het voorspellen van lymfekliermetastasen
Tijdsspanne: Binnen 2 maanden na voltooiing van de inschrijving van proefpersonen.
Deze metriek beoogt het vermogen van het geconstrueerde multimodale deep learning-model te evalueren om patiënten met papillaire schildkliercarcinoom die daadwerkelijk cervicale lymfekliermetastase hebben, correct te identificeren onder de optimale diagnostische drempel. Onderzoekers moeten het aantal patiënten dat via postoperatieve pathologie is gediagnosticeerd met lymfekliermetastase verzamelen, evenals het aantal patiënten dat door het model als "positief" is voorspeld (d.w.z. voorspeld metastase te hebben), om de gevoeligheid van het op cervicale echografie gebaseerde multimodale deep learning-model te berekenen bij het voorspellen van lymfekliermetastase. Berekeningsformule: Gevoeligheid = Aantal echte positieve patiënten / Totaal aantal positieve patiënten bevestigd door postoperatieve pathologie.
Binnen 2 maanden na voltooiing van de inschrijving van proefpersonen.
Specificiteit van een multimodaal deep learning-model op basis van cervicale echografie voor het voorspellen van lymfekliermetastase
Tijdsspanne: Binnen 2 maanden na het voltooien van de inclusie van proefpersonen.
Deze metriek beoogt het vermogen van het geconstrueerde multimodale deep learning-model te evalueren om patiënten met papillair schildkliercarcinoom die geen cervicale lymfekliermetastase hebben ontwikkeld, correct uit te sluiten, onder de optimale diagnostische drempel. Onderzoekers moeten het aantal patiënten dat via postoperatieve pathologie is gediagnosticeerd zonder lymfekliermetastase verzamelen, evenals het aantal patiënten dat door het model als "negatief" wordt voorspeld (d.w.z. voorspeld zonder metastase), om de specificiteit van het op cervicale echografie gebaseerde multimodale deep learning-model te berekenen bij het voorspellen van lymfekliermetastase. Berekeningsformule: Specificiteit = Aantal echte negatieve patiënten / Totaal aantal negatieve patiënten bevestigd door postoperatieve pathologie.
Binnen 2 maanden na het voltooien van de inclusie van proefpersonen.

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Het pathologisch bevestigde lymfekliermetastasepercentage in de onderzoekscohort
Tijdsspanne: Binnen 2 maanden na de voltooiing van de inschrijving van proefpersonen
Het verwijst naar het percentage patiënten met ten minste één metastatische lymfeklier bevestigd door postoperatief pathologisch onderzoek, ten opzichte van het totale aantal personen in de corresponderende onderzoekspopulatie. Onderzoekers moeten het aantal patiënten dat gediagnosticeerd is met lymfekliermetastase door postoperatief pathologisch onderzoek verzamelen.
Binnen 2 maanden na de voltooiing van de inschrijving van proefpersonen
Aangepaste Odds Ratio's voor Klinische Factoren Geassocieerd met Pathologisch Bevestigde Lymfekliermetastase
Tijdsspanne: Binnen 2 maanden na het voltooien van de inclusie van proefpersonen
Onderzoekers moeten de uitkomstvariabele (d.w.z., postoperatief pathologisch bevestigde lymfekliermetastase-status) en de bijbehorende blootstellingsvariabelen (zoals de specifieke locatie van de primaire tumor binnen de schildklier, maximale tumordiameter, patiëntenleeftijd, etc.) verzamelen. Met behulp van deze variabelen worden de gecorrigeerde odds ratio's berekend om weer te geven, na correctie voor andere verstorende factoren, hoeveel keer waarschijnlijker patiënten met een specifieke blootstellingskarakteristiek (bijv., tumor gelokaliseerd in de bovenpool) lymfekliermetastase hebben in vergelijking met patiënten in de referentiegroep (bijv., tumor gelokaliseerd in de onderpool).
Binnen 2 maanden na het voltooien van de inclusie van proefpersonen
De gewogen Kappa-coëfficiënt voor de consistentie tussen het door het model voorspelde pTNM-stadium en het pathologische stadium
Tijdsspanne: Binnen 2 maanden na voltooiing van de inschrijving van proefpersonen
Onderzoekers moeten het door het model voorspelde pTNM-stadium en het werkelijke pTNM-stadium van de patiënt verzamelen en vastleggen om de consistentie tussen het door het model voorspelde volledige pTNM-stadium en het pathologische stadium te evalueren.
Binnen 2 maanden na voltooiing van de inschrijving van proefpersonen

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

West China Hospital

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 januari 2026

Primaire voltooiing (Geschat)

1 maart 2026

Studie voltooiing (Geschat)

1 mei 2026

Studieregistratiedata

Eerst ingediend

9 december 2025

Eerst ingediend dat voldeed aan de QC-criteria

22 december 2025

Eerst geplaatst (Werkelijk)

23 december 2025

Updates van studierecords

Laatste update geplaatst (Werkelijk)

23 december 2025

Laatste update ingediend die voldeed aan QC-criteria

22 december 2025

Laatst geverifieerd

1 december 2025

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2025(2352)

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 .

Abonneren