Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Konstruksjon og validering av en vurderingsmodell for PCR etter NAT på brystkreftpasienter med AI-teknologi

Konstruksjon og validering av en vurderingsmodell for patologisk fullstendig respons etter neoadjuvant behandling (NAT) på brystkreftpasienter med kunstig intelligens (AI) teknologi

Brystkreft er en viktig årsak til overlevelse for kvinner over hele verden. Neoadjuvant terapi som en viktig behandling for lokalt avansert brystkreft har hatt mange positive effekter for brystkreftpasienter. Ettersom medikamentell behandling for brystkreft fortsetter å utvikle seg, fortsetter prosentandelen av patologiske fullstendige responser å øke. Imidlertid kan pCR i dag kun bedømmes ved patologisk testing av kirurgisk resekerte prøver, og spørsmålet om hvorvidt pCR kan bedømmes nøyaktig preoperativt har blitt et presserende spørsmål. Derfor planlegger dette prosjektet å etablere og validere en modell for å bestemme pCR etter NAT i brystkreft basert på klinisk informasjon, bildediagnostikk og patologisk informasjon om brystkreftpasienter i flere sentre ved bruk av kunstig intelligens-teknologi i samsvar med internasjonale retningslinjer og innenlandsk ekspertkonsensus om brystkreft NAT, for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT, ved å kombinere eksperter fra brystmedisin-, kirurgi-, patologi- og bildebehandlingsavdelinger i flere tertiærsykehus over hele Kina. Modellen vil bli validert for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Brystkreft er den mest utbredte kreftformen blant kvinner over hele verden. Neoadjuvant behandling (NAT) er en del av standardisert behandling av brystkreft og er spesielt viktig ved lokalt avansert brystkreft. Tallrike studier har vist at pasienter som oppnår patologisk fullstendig respons (pCR) etter NAT kan ha bedre sykdomsfrie og totale overlevelsesrater, og dermed gjøre overlevelsesfordelen ved radikal kirurgi mindre signifikant. Imidlertid kan pCR i dag kun bedømmes ved patologisk testing av kirurgisk resekerte prøver, og spørsmålet om pCR kan bedømmes nøyaktig preoperativt har blitt et presserende problem.

Kunstig intelligens (AI) teknologi er en gren av informatikk som forsøker å forstå essensen av intelligens og produsere en ny intelligent maskin som kan svare på en lignende måte som menneskelig intelligens, hvorav bildegjenkjenning er mye brukt i klinisk forskning som en viktig komponent i AI. De siste årene, med utviklingen av AI og relaterte algoritmer, har flere og flere forskere arbeidet med bruk av bildebilder for å bestemme effektiviteten til NAT mer presist, og prøver å frita en brøkdel av pasienter som oppnår pCR fra radikal kirurgi og aldri oppnår et bedre utseende og kvalitet på overlevelse.

Simons team valgte ut 246 pasienter som gikk på Salzburg Oncology Center i Australia fra 2006-2016, fikk pre-kirurgisk DCE-MRI lest av billeddiagnostiske forskere med mer enn 10 års erfaring, og ga en dom om fullstendig remisjon, bare for å oppnå en mer pessimistisk resultat: en positiv prediktiv verdi på bare 48 %. jinsuns team valgte ut pasienter som gjennomgikk NAT ved Samsung Medical Center fra 2007-2016. Resultatene viste at kappa-verdien av samsvarstesten mellom radiologisk fullstendig respons (rCR) og bryst-pCR var 0,459, og kappa-verdien for samsvarstesten mellom aksillær rCR og aksillær pCR Woos og Erikas team analyserte undergruppene som førte til falske- negative MR-bestemmelser av pCR og antydet at pasienter med G1-2, Luminal A/B-subtyper og ikke-klumpet forsterkning hadde problemer med å vurdere fullstendig remisjon ved MR. Det er tydelig at det nå er vanskelig å bruke tradisjonelle modelleringsmetoder for pCR for å bestemme nivået av klinisk anvendelse.

Elizabeths team brukte preoperativ MR, AI-teknologi for funksjonsekstraksjon og klinikopatologisk informasjon for å konstruere en pCR-bestemmelsesmodell, som fungerte bra i det uavhengige valideringssettet med en AUC på 0,83 (95 % KI: 0,71-0,94). Imons team brukte Riesz-funksjonsekstraksjon for å bestemme pCR hos trippel-negative brystkreftpasienter som gjennomgikk NAT, og den endelige modellen ROC nådde 0,85. Professor Yang Fans team fra avdelingen for radiologi, Wuhan Union Medical College Hospital, Wuhan, Kina, brukte flerfasede DCE-MRI-parametre og maskinlæringsalgoritmer for å bygge modellen, og det høyeste ROC-området under kurven nådde 0,919. Resultatene ovenfor viser at pCR-bestemmelsesmodellen for avbildningshistologi med AI-teknologi er en stor forbedring sammenlignet med den tradisjonelle modellen.

Selv om et økende antall studier har bekreftet viktigheten av avbildningshistologi for NAT pCR-bestemmelse, har mange av de nåværende studiene noen mangler. Når de ble evaluert ved bruk av den internasjonale standarden av bildehistologi RQS-skåre, ble det funnet at de fleste studiene: (i) manglet eksterne valideringskohorter; (ii) ga ikke passende beskrivelser av parameterekstraksjon; (iii) manglet en standardisert prosess for avbildningsparametere; og (iv) hadde små prøvestørrelser. Derfor er det ennå ikke utført mer systematiske og standardiserte studier av flertallet av forskerne.

Derfor planlegger dette prosjektet å etablere og validere en modell for å bestemme pCR etter NAT i brystkreft basert på klinisk informasjon, bildediagnostikk og patologisk informasjon fra brystkreftpasienter i flere sentre ved bruk av kunstig intelligens-teknologi i samsvar med internasjonale retningslinjer og innenlandsk ekspertkonsensus om bryst. cancer NAT, for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT, ved å kombinere eksperter fra brystmedisin-, kirurgi-, patologi- og bildebehandlingsavdelinger i flere tertiærsykehus over hele Kina. Modellen vil bli validert for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT.

Studietype

Observasjonsmessig

Registrering (Forventet)

1821

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

    • Beijing
      • Beijing, Beijing, Kina, 100021
        • Rekruttering
        • National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences
        • Ta kontakt med:
          • Jian Yue, MD
          • Telefonnummer: +86 18612621749
        • Ta kontakt med:

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

18 år og eldre (VOKSEN, OLDER_ADULT)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Hunn

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Pasienter med brystkreft behandlet med neoadjuvant terapi og med MR-data ved hvert senter fra 2010-2020.

Beskrivelse

Inklusjonskriterier:

  1. pasienter innlagt på hvert studiesenter mellom 1. januar 2010 og 31. desember 2021.
  2. ≥18 år, kvinne, med ECOG-score ≤2.
  3. patologisk biopsi bekreftet invasiv brystkreft.
  4. ble opprinnelig behandlet med neoadjuvant terapi.
  5. ha MR-bildedata før radikal kirurgi etter neoadjuvant behandling.
  6. gjennomgikk kirurgi som planlagt etter neoadjuvant terapi og fikk postoperativ patologiinformasjon.

Ekskluderingskriterier:

  1. Bilateral brystkreft, multiple lesjoner eller okkult brystkreft.
  2. ingen data relatert til bryst MR.
  3. ingen operasjon etter neoadjuvant terapi, ingen postoperative patologiresultater.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Neoadjuvant terapi
Pasienter med brystkreft behandlet med neoadjuvant terapi ved hvert senter fra 2010-2020.
Preoperativ systemisk terapi for brystkreftpasienter

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
patologisk fullstendig respons
Tidsramme: Etter kirurgi basert på opptil ca. 24 uker neoadjuvant terapi
Fullstendig forsvinning av brystkreftlesjoner fra patologien etter kjemoterapi
Etter kirurgi basert på opptil ca. 24 uker neoadjuvant terapi

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (FAKTISKE)

1. april 2022

Primær fullføring (FAKTISKE)

1. juni 2022

Studiet fullført (FORVENTES)

31. desember 2022

Datoer for studieregistrering

Først innsendt

28. juni 2022

Først innsendt som oppfylte QC-kriteriene

30. juni 2022

Først lagt ut (FAKTISKE)

1. juli 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (FAKTISKE)

1. juli 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

30. juni 2022

Sist bekreftet

1. juni 2022

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Abonnere