AI-assistert system for nøyaktig diagnose og prognose av brystphyllodes-svulster
Utvikling av et kunstig intelligens-basert system for presis diagnose og prognose av brystphyllodes-svulster
Bryst phyllodes tumor (PT) er en sjelden fibroepitelial svulst, som utgjør 1 % til 3 % av alle brystsvulster, kategorisert av WHO i benigne, borderline og ondartede, basert på histopatologiske trekk som tumorgrense, stromal cellularitet, stromatypi , mitotisk aktivitet og stromal overvekst. Ondartede PT-er står for 18%-25%, med høy lokalt residiv (opptil 65%) og fjernmetastaserater (16%-25%). Benign PT kan utvikle seg til malignitet etter flere residiv. Derfor er tidlig, nøyaktig diagnose og identifisering av terapeutiske mål avgjørende for å forbedre resultater og overlevelsesrater.
De siste årene har det vært økende interesse for bruk av kunstig intelligens (AI) i medisinsk diagnostikk. AI kan integrere klinisk informasjon, histopatologiske bilder og multi-omics-data for å hjelpe til med patologisk og klinisk diagnose, prognoseprediksjon og molekylær profilering.AI har vist lovende resultater på forskjellige områder, inkludert diagnostisering av forskjellige kreftformer som kolorektal kreft, brystkreft kreft og prostatakreft. Imidlertid skiller PT seg fra brystkreft i diagnose og behandlingstilnærming. Derfor er etablering av et AI-basert system for nøyaktig diagnose og prognosevurdering av PT avgjørende for personlig medisin.
Forskerteamet, ledet av Dr. Nie Yan, er et av få i Guangdong-provinsen og til og med nasjonalt, og spesialiserer seg på PT-forskning. Teamet deres har forsket på ondartet progresjon, metastasemekanismer og molekylære markører for PT. Teamet har identifisert nøkkelmekanismer, som fibroblast-til-myofibroblast-differensiering, og rollen til tumorassosierte makrofager i å fremme denne differensieringen. De har også identifisert molekylære markører, inkludert miR-21, α-SMA, CCL18 og CCL5, som er mer nøyaktige når det gjelder å forutsi risiko for tumorresidiv sammenlignet med tradisjonell histopatologisk gradering.
Prosjektet har samlet inn data av høy kvalitet fra nesten tusen bryst-PT-pasienter, inkludert bildediagnostikk, histopatologi og overlevelsesdata, og har utført transkriptom-gensekvensering på vevsprøver. De tar sikte på å bygge en omfattende multi-omics-database for bryst-PT og lage en AI-basert modell for tidlig diagnose og prognoseprediksjon. Denne forskningen har potensial til å forbedre diagnostisering og behandling av bryst-PT, adressere forskjellene i bryst-PT-omsorg på tvers av ulike regioner i Kina, og bidra til utviklingen av nye terapeutiske mål.
Studieoversikt
Status
Intervensjon / Behandling
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Yan Nie, Prof.Dr.
- Telefonnummer: +86 020-81332587
- E-post: nieyan7@mail.sysu.edu.cn
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510120
- Rekruttering
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Ta kontakt med:
- Yan Nie, Prof.Dr.
- Telefonnummer: +86 020-81332587
- E-post: nieyan7@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Kina, 510050
- Rekruttering
- Sun Yat-sen University Cancer Center
-
Ta kontakt med:
- Feng Ye, Prof.Dr.
- Telefonnummer: 15914388994
-
Guangzhou, Guangdong, Kina, 510145
- Rekruttering
- The Third Affiliated Hospital of Guangzhou Medical University
-
Ta kontakt med:
- Hui Mai, Prof.Dr.
- Telefonnummer: 13925129112
-
Guangzhou, Guangdong, Kina, 511400
- Rekruttering
- Guangdong Maternal and Child Health Hospital
-
Ta kontakt med:
- Yu Tan, Prof.Dr.
- Telefonnummer: 13632356526
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Pasienter diagnostisert med en phyllodes-svulst i brystet
Ekskluderingskriterier:
- Uskarpe bilder, bildegjenstander
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Bryst phyllodes svulst
Pasienter diagnostisert med phyllodes svulst i bryst
|
Pasientmedisinsk bildemateriale inkludert ultralyd, mammografi, CT, MR
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhet
Tidsramme: Fem år
|
Sannsynligheten for et positivt testresultat, betinget av at det er virkelig positivt.
|
Fem år
|
|
Falsk-negativ rate
Tidsramme: Fem år
|
Bestem oddsen for å teste negativ i en positiv populasjon.
|
Fem år
|
|
Spesifisitet
Tidsramme: Fem år
|
Sannsynligheten for et negativt testresultat betinget av en sann negativ.
|
Fem år
|
|
Falsk-positiv rate
Tidsramme: Fem år
|
Bestem oddsen for å teste positivt i en negativ populasjon.
|
Fem år
|
|
Mottakerens driftskarakteristikk
Tidsramme: Fem år
|
ROC-kurven er en kurve basert på en rekke forskjellige dikotome klassifikasjoner (grenseverdier eller beslutningsterskler), med frekvensen av sanne positive (sensitivitet) som vertikal koordinat og frekvensen av falske positiver (1-spesifisitet) som horisontale koordinater.
|
Fem år
|
|
Areal under roc Kurve
Tidsramme: Fem år
|
AUC er definert som området under ROC-kurven omsluttet av aksene, og jo nærmere AUC er 1,0, desto mer autentisk er analysen.
|
Fem år
|
Samarbeidspartnere og etterforskere
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Belkacemi Y, Bousquet G, Marsiglia H, Ray-Coquard I, Magne N, Malard Y, Lacroix M, Gutierrez C, Senkus E, Christie D, Drumea K, Lagneau E, Kadish SP, Scandolaro L, Azria D, Ozsahin M. Phyllodes tumor of the breast. Int J Radiat Oncol Biol Phys. 2008 Feb 1;70(2):492-500. doi: 10.1016/j.ijrobp.2007.06.059. Epub 2007 Oct 10.
- Mishra SP, Tiwary SK, Mishra M, Khanna AK. Phyllodes tumor of breast: a review article. ISRN Surg. 2013;2013:361469. doi: 10.1155/2013/361469. Epub 2013 Mar 20.
- Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019 Nov;16(11):703-715. doi: 10.1038/s41571-019-0252-y. Epub 2019 Aug 9.
- van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14.
- Wang Y, Acs B, Robertson S, Liu B, Solorzano L, Wahlby C, Hartman J, Rantalainen M. Improved breast cancer histological grading using deep learning. Ann Oncol. 2022 Jan;33(1):89-98. doi: 10.1016/j.annonc.2021.09.007. Epub 2021 Sep 29.
- Chow ZL, Thike AA, Li HH, Nasir NDM, Yeong JPS, Tan PH. Counting Mitoses With Digital Pathology in Breast Phyllodes Tumors. Arch Pathol Lab Med. 2020 Nov 1;144(11):1397-1400. doi: 10.5858/arpa.2019-0435-OA.
- Cheng CL, Md Nasir ND, Ng GJZ, Chua KWJ, Li Y, Rodrigues J, Thike AA, Heng SY, Koh VCY, Lim JX, Hiew VJN, Shi R, Tan BY, Tay TKY, Ravi S, Ng KH, Oh KSL, Tan PH. Artificial intelligence modelling in differentiating core biopsies of fibroadenoma from phyllodes tumor. Lab Invest. 2022 Mar;102(3):245-252. doi: 10.1038/s41374-021-00689-0. Epub 2021 Nov 24.
- Kates-Harbeck J, Svyatkovskiy A, Tang W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature. 2019 Apr;568(7753):526-531. doi: 10.1038/s41586-019-1116-4. Epub 2019 Apr 17.
- Gong C, Nie Y, Qu S, Liao JY, Cui X, Yao H, Zeng Y, Su F, Song E, Liu Q. miR-21 induces myofibroblast differentiation and promotes the malignant progression of breast phyllodes tumors. Cancer Res. 2014 Aug 15;74(16):4341-52. doi: 10.1158/0008-5472.CAN-14-0125. Epub 2014 Jun 30.
- Nie Y, Chen J, Huang D, Yao Y, Chen J, Ding L, Zeng J, Su S, Chao X, Su F, Yao H, Hu H, Song E. Tumor-Associated Macrophages Promote Malignant Progression of Breast Phyllodes Tumors by Inducing Myofibroblast Differentiation. Cancer Res. 2017 Jul 1;77(13):3605-3618. doi: 10.1158/0008-5472.CAN-16-2709. Epub 2017 May 16.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Antatt)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- SYSKY-2023-351-02
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .