PET/CT-basert bildeanalyse og maskinlæring av hypermetabolske lungelesjoner
22. juli 2025 oppdatert av: Hu Jiajia, Ruijin Hospital
PET/CT-avbildningsbasert skille mellom pulmonal lymfom og andre hypermetabolske lesjoner via bildediagnostiske manifestasjoner og maskinlæringsteknikker: en multisenter retrospektiv studie
Først analyserer vi typene, bildediagnostiske funn og relevante behandlingsresponser basert på PET/CT for å fullføre et mer omfattende syn på pulmonale lymfomer.
Deretter vil noen modeller basert på radiomikrofunksjoner bli utviklet for å verifisere muligheten for å differensiere pulmonale lymfomer via maskinlæring og utvikle en multi-klasse klassifiseringsmodell.
Det endelige målet med denne studien er å utvikle et sett med dyplæringsmodeller for foreløpig lungelesjonssegmentering og flerklasseklassifisering. Modellene vil klassifisere FDG-avide lungelesjoner i fire grupper, hver definert av sin patologiske opprinnelse, primærterapi og relevant klinisk avdeling.
Studieoversikt
Status
Fullført
Intervensjon / Behandling
Detaljert beskrivelse
- Programvaren for utvinning av lokale bildefunksjoner (LIFEx, v 7.4.0, Frankrike) ble brukt for bildegjennomgang og måling av relevante data. Tre observatører tolket bildene uavhengig av hverandre. Ved uenighet ble vurderingen fra en overlege med over ti års erfaring gitt forrang. Bildefunnene ble registrert basert på baseline-undersøkelsene. Antall lesjoner, plasseringer og beskrivende etiketter ble systematisk logget i samsvar med normene angitt i bilderapporten. Statistisk programvare SPSS (v26.0) ble brukt i datasortering og beregning. Chi-kvadrattest ble brukt for å sammenligne SPL og PPL basert på kategoriske variabler som CT-funn, mens T-test ble brukt til å vurdere kontinuerlige variabler som glykemi og SUV. Gitt overvekt av kategoriske variabler, ble chi-kvadrat eller Fishers eksakte test (for prøver <40 eller >20 % celler med <5 forventede tellinger) brukt for å vurdere behandlingsrespons og avbildningsytelse. Spearmans korrelasjonskoeffisient ble brukt for å analysere forholdet mellom kategoriske og SUV-baserte kontinuerlige variabler.
- I denne studien ble det metabolske tumorvolumet ved en relativ terskel på 40 % (MTV40 %) valgt som volumet av interesse (VOI) for bildeanalyse. For funksjonsekstraksjon brukte vi det Python (v3.11.7)-baserte verktøysettet for ekstraksjon av radiomiksfunksjoner PyRadiomics (v3.1.0), sammen med det medisinske bildebehandlingsbiblioteket SimpleITK (v2.3.1), det numeriske beregnings- og datamanipuleringsbiblioteket Numpy (v1.26.2) og wavelet-transformasjonsbiblioteket PyWavelet (v1.5.0). Funksjonsvalg ble utført ved hjelp av RStudio (v.2023.12.0+369) basert på R-programmeringsspråket (v4.2.0). For å sikre beregningseffektivitet og unngå overtilpasning, ble antallet funksjoner beholdt begrenset til 10 % eller mindre av antall lesjoner i treningssettet. Modellanalyse og validering ble primært utført ved bruk av RStudio også.
- Deep learning-studien deler oppgaven med å identifisere og klassifisere hypermetabolske lungelesjoner i to stadier: segmentering og klassifisering. I segmenteringsstadiet brukte vi først åpen kildekode 2D-modellen Lungmask for automatisk å beskjære lungeregionen fra PET/CT-bilder av hele kroppen, og sikre at påfølgende prosessering er fokusert på lungeområdet. Deretter utviklet vi en 3D UNet-modell med gjenværende moduler spesielt designet for å segmentere hypermetabolske lungelesjoner. Denne modellen tar de beskårne PET/CT-bildene som input, trekker effektivt ut lesjonsinformasjon fra de tredimensjonale bildene og segmenterer de hypermetabolske lungelesjonsområdene nøyaktig. Modellen ble deretter brukt på både interne testsett og eksterne valideringssett for inferens, noe som resulterte i utvinning av lesjonsholdige ROIer.
Studietype
Observasjonsmessig
Registrering (Faktiske)
647
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Denne retrospektive studien registrerte pasienter som gjennomgikk PET/CT-undersøkelser ved Nukleærmedisinsk avdeling fra januar 2015 til februar 2024 ved 5 institusjoner: Ruijin Hospital, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital i Anhui-provinsen og Tilknyttet sykehus ved Nanjing universitet for tradisjonell kinesisk medisin.
Beskrivelse
Inkluderingskriterier:
- Voksne pasienter (≥18 år);
- Primært eller tilbakevendende lymfom, ≥6 måneder fra siste behandling; primær lungekreftpasienter uten tidligere malignitet;
- Godartede solide lungelesjoner, uten tidligere malignitet;
- Lungemetastaser, ubehandlet med lungestrålebehandling eller partikkelimplantasjon;
- Baseline-vurdering som avslører PET-positive lungelesjoner.
- Patologiske resultater innen 3 måneder etter eksamensdato, bekreftet lungelesjonstyper via trakeoskopi, lungepunktur eller kirurgi.
- Baseline pulmonale lesjoner som gjenstår anses å være pulmonal lymfom (eller metastaser) basert på oppfølging av klinisk og bildediagnostisk evaluering.
Ekskluderingskriterier:
- Dårlig bildekvalitet;
- Manglende evne til å avgrense grensene for lungelesjoner på CT-bilder;
- Artefakter forårsaket av nærliggende enheter som stenter eller dreneringsrør.
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 |
|---|---|
|
Lungelymfom
(1) Voksne pasienter (≥18 år).
(2) Pasienter med primært eller tilbakevendende lymfom, ≥6 måneder fra siste behandling.
(3) Baselinevurdering på sykehus avdekket PET-positive lungelesjoner, CT-målt maksimal diameter ≥3 mm, synlig over ≥2 bildelag.
(4) Patologiske resultater innen 3 måneder etter eksamensdato, bekreftede lungelesjonstyper via trakeoskopi, lungepunktur eller kirurgi.
Eller baseline pulmonale lesjoner av lymfom diagnostisert av lymfeknute og ekstern lungepunktur, anses fortsatt å være pulmonal lymfom basert på oppfølging av klinisk og bildediagnostisk evaluering.
|
Observer de medisinske bildene via arbeidsstasjon eller lokal bildeanalyseprogramvare
Utdrag av bildefunksjon via radiomiks eller dyplæringsmetoder
|
|
Lungekreft
(1) Voksne pasienter (≥18 år).
(2) Pasienter med primær lungekreftpasienter uten tidligere malignitet (3) Baselinevurdering på sykehus avdekket PET-positive lungelesjoner, CT-målt maksimal diameter ≥3 mm, synlig over ≥2 bildelag.
(4) Patologiske resultater innen 3 måneder etter eksamensdato, bekreftede lungelesjonstyper via trakeoskopi, lungepunktur eller kirurgi.
|
Observer de medisinske bildene via arbeidsstasjon eller lokal bildeanalyseprogramvare
Utdrag av bildefunksjon via radiomiks eller dyplæringsmetoder
|
|
Godartet
(1) Voksne pasienter (≥18 år).
(2) Pasienter med benigne solide lungelesjoner, uten tidligere malignitet.
(3) Baselinevurdering på sykehus avdekket PET-positive lungelesjoner, CT-målt maksimal diameter ≥3 mm, synlig over ≥2 bildelag.
(4) Patologiske resultater innen 3 måneder etter eksamensdato, bekreftede lungelesjonstyper via trakeoskopi, lungepunktur eller kirurgi.
|
Observer de medisinske bildene via arbeidsstasjon eller lokal bildeanalyseprogramvare
Utdrag av bildefunksjon via radiomiks eller dyplæringsmetoder
|
|
Metastase
(1) Voksne pasienter (≥18 år).
(2) Lungemetastatiske pasienter, ubehandlet med lungestrålebehandling eller partikkelimplantasjon.
(3) Baselinevurdering på sykehus avdekket PET-positive lungelesjoner, CT-målt maksimal diameter ≥3 mm, synlig over ≥2 bildelag.
(4) Patologiske resultater innen 3 måneder etter eksamensdato, bekreftede lungelesjonstyper via trakeoskopi, lungepunktur eller kirurgi.
Eller baseline pulmonale lesjoner av metastaser diagnostisert ved lymfeknute og ekstern lungepunktur, anses fortsatt å være lungemetastaser basert på oppfølging av klinisk og bildediagnostisk evaluering.
|
Observer de medisinske bildene via arbeidsstasjon eller lokal bildeanalyseprogramvare
Utdrag av bildefunksjon via radiomiks eller dyplæringsmetoder
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Bilde/radiomiks/dyplæringsfunksjoner i 18F-FDG PET/CT-bilde
Tidsramme: Grunnlinje
|
Grunnlinje
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Effektivitet av segmenteringsmodellen
Tidsramme: umiddelbart etter utvikling og testing av modeller
|
Effektiviteten til segmenteringsmodellen blir evaluert av deteksjonshastigheten av lesjoner og terningens likhetskoeffisient (2(A∩B)/(A+B), A=segmentert voxelvolum, B=grunnsannhetsvolum), som begge beskriver nøyaktigheten av å dele lesjonen og bakgrunnen.
|
umiddelbart etter utvikling og testing av modeller
|
|
Klassifiseringsmodellens effektivitet
Tidsramme: umiddelbart etter utvikling og testing av modeller
|
Klassifiseringsmodellen evalueres av nøyaktigheten [ (TP+TN)/(TP+FP+TN+FN) ] , presisjon [TP/(TP+FP)], tilbakekalling [TP/(TP+FN)], F1- score [2*presisjon*gjenkalling/(presisjon+gjenkalling)], som alle beskriver forholdet mellom korrekt eller feilklassifiserte lesjoner i prøvene fra forskjellige aspekter.
Mens mottakerdriftskarakteristikken (ROC)-kurven kan illustrere dette mer visuellt.
Area under the curve (AUC) beregnet andelen av arealet under ROC-kurven, fra 0 til 1, som representerer den totale effektiviteten av klassifisering i hver gruppe.
|
umiddelbart etter utvikling og testing av modeller
|
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 2024
Primær fullføring (Faktiske)
20. juli 2024
Studiet fullført (Faktiske)
30. april 2025
Datoer for studieregistrering
Først innsendt
11. september 2024
Først innsendt som oppfylte QC-kriteriene
17. september 2024
Først lagt ut (Faktiske)
19. september 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
23. juli 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
22. juli 2025
Sist bekreftet
1. juli 2025
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- RuijinH 2024-70
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
produkt produsert i og eksportert fra USA
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. .