Dyp læringsbasert analyse av tykktarmskreftpatologibilder: En nyskapende tilnærming for å forutsi tykktarmskreftundertyper
13. april 2025 oppdatert av: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
AI-drevne kopiloter for presisjonsdiagnose og kirurgisk vurdering av histologiske vekstmønstre i resekterbare kolorektale levermetastaser: en prospektiv studie
Kolorektal kreft (CRC) er en ledende årsak til dødelighet i Kina, med metastase som bidrar betydelig til dårlige utfall.
Histopatologiske vekstmønstre (HGPs) i kolorektal levermetastase (CRLM) gir viktig prognostisk innsikt, men det begrensede antallet patologer fremhever behovet for tilleggsdiagnostiske verktøy.
Nyere fremskritt innen kunstig intelligens (AI) har vist potensiale for å styrke diagnostisk presisjon, noe som fører til utvikling av spesialiserte AI -modeller som kaffe for å forbedre klassifiseringen og styringen av HGPs hos CRLM -pasienter.
Denne studien tar sikte på å utvikle og validere en transformatorbasert dyp læringsmodell, kaffe, for klassifisering av tykktarmskreftundertyper ved bruk av hele lysbildebilder (WSIS) fra pasienter som er diagnostisert med tykktarmskreft levermetastase.
Modellen er forhåndsutdannet ved hjelp av selvovervåket læring (DINO) på WSIS fra TCGA-ko-kohorten, ved å bruke en synstransformator (VIT) arkitektur for å trekke ut 384-dimensjonale funksjonsvektorer fra 256 × 256 piksler.
Kaffemodellen integrerer et transformatorbasert rammeverk for flere forekomster (transmil), som inkluderer flerhode selvoppmerksomhet og pyramideposisjonskoding av generator (PPEG) -moduler for å samle romlig og morfologisk informasjon.
Studien inkluderer trening, testing og prospektive valideringskohorter og evaluerer ytelsen til modellen i både binære og flerklasse klassifiseringsinnstillinger, samt potensialet til å hjelpe patologer i kliniske arbeidsflyter.
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Faktiske)
431
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510655
- Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University
-
-
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
Studien involverte 431 pasienter med tykktarmskreft levermetastase, som alle gjennomgikk kirurgi ved det sjette tilknyttede sykehuset ved Sun Yat-Sen University.
Kohorten besto av 297 pasienter i treningssettet og 104 pasienter i testsettet.
Beskrivelse
Inkluderingskriterier:
- Pasienter som er diagnostisert med tykktarmskreft levermetastase (CRLM) som gjennomgår kirurgisk behandling;
- Maksimal diameter på resekterte metastatiske lesjoner skal være ≥ 2 cm;
- Tilgjengeligheten av patologi lysbilder sammen med grunnleggende kliniske, biologiske og patologiske trekk.
Eksklusjonskriterier:
- Vevsseksjoner oppnådd fra biopsiprøver;
- Fravær av levedyktig tumorvev i metastatiske lesjoner;
- Lesjoner som tidligere er behandlet med ablasjon etterfulgt av kirurgisk reseksjon, noe som resulterte i utilstrekkelig vevsklassekvalitet.
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 |
|---|---|
|
Kirurgisk patologi glir fra SAHSYSU, 1 994 WSIS fra 297 lysbilder datert 3. juli 2013.
Denne gruppen inkluderer 297 pasienter med tykktarmskreft levermetastase (CRLM), hvorfra 1 994 hele lysbildebilder (WSIS) ble samlet.
Disse lysbildene ble brukt til å utvikle og teste kaffe -AI -modellen for histopatologisk vekstmønster (HGP) klassifisering, og ga verdifull innsikt for tumorkarakterisering og prognose.
|
Kirurgisk reseksjon av tykktarmskreft levermetastase (CRLM) involverer fjerning av metastatiske lesjoner fra leveren.
Denne prosedyren er rettet mot å forbedre overlevelsesraten og redusere tumorbelastningen hos pasienter som er diagnostisert med CRLM.
Reseksjonen utføres for å behandle levermetastase, og kliniske utfall, som progresjonsfri overlevelse (PFS) og total overlevelse (OS), blir vurdert etter operasjonen for å bestemme behandlingseffektiviteten.
|
|
Kirurgisk patologi glir fra SAHSYSU, 972 WSIS fra 104 pasienter datert 21. april 2023.
Denne kohorten inneholder 104 pasienter som er diagnostisert med CRLM.
972 WSIS ble samlet for å validere kaffemodellen på et nyere datasett, og evaluerer modellens ytelse i både binære og fireklasse HGP-klassifiseringer.
|
Kirurgisk reseksjon av tykktarmskreft levermetastase (CRLM) involverer fjerning av metastatiske lesjoner fra leveren.
Denne prosedyren er rettet mot å forbedre overlevelsesraten og redusere tumorbelastningen hos pasienter som er diagnostisert med CRLM.
Reseksjonen utføres for å behandle levermetastase, og kliniske utfall, som progresjonsfri overlevelse (PFS) og total overlevelse (OS), blir vurdert etter operasjonen for å bestemme behandlingseffektiviteten.
|
|
Kirurgisk patologi glir fra SAHSYSU, 114 WSIS fra 30 pasienter datert 2024.
Denne prospektive kohorten består av 30 pasienter med CRLM, hvorfra 114 WSI ble oppnådd i 2024.
Kohorten ble brukt til å vurdere den kliniske anvendeligheten av kaffe -AI -modellen gjennom en prospektiv studie, og sammenlignet diagnostisk ytelse av patologer med og uten AI -assistanse.
|
Kirurgisk reseksjon av tykktarmskreft levermetastase (CRLM) involverer fjerning av metastatiske lesjoner fra leveren.
Denne prosedyren er rettet mot å forbedre overlevelsesraten og redusere tumorbelastningen hos pasienter som er diagnostisert med CRLM.
Reseksjonen utføres for å behandle levermetastase, og kliniske utfall, som progresjonsfri overlevelse (PFS) og total overlevelse (OS), blir vurdert etter operasjonen for å bestemme behandlingseffektiviteten.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Klassifiseringsnøyaktighet (%) av kaffen AI -modellen i binær identifisering av histopatologiske vekstmønstre (HGPs) i CRLM ved bruk av hele lysbildebilder
Tidsramme: 6 måneder etter operasjonen (for potensiell årskull)
|
Dette utfallet måler diagnostisk klassifiseringsnøyaktighet av kaffemodellen for å oppdage histopatologiske vekstmønstre (HGPs) hos pasienter med tykktarmskreft levermetastase (CRLM).
Nøyaktighet er definert som andelen av korrekt forutsagte HGP -etiketter sammenlignet med bakken sannhetsetiketter bestemt av konsensus av ekspertpatologer.
Analysen inkluderer binær klassifisering (desmoplastisk kontra ikke-desmoplastisk).
Nøyaktighet vil bli beregnet som: Nøyaktighet = Totalt antall prediksjoner / antall riktige spådommer × 100%.
Utfallet vil bli vurdert ved bruk av digitale hele lysbildebilder hentet fra levermetastaseprøver samlet under operasjonen.
Modellytelsen vil bli evaluert 6 måneder etter operasjonen i en prospektiv valideringskohort.
|
6 måneder etter operasjonen (for potensiell årskull)
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Klassifiseringsnøyaktighet (%) av kaffe AI-modellen i identifisering av multiklasse av histopatologiske vekstmønstre (HGPs) i CRLM ved bruk av hele lysbildebilder
Tidsramme: 6 måneder etter operasjonen (for potensiell årskull)
|
Dette utfallet måler diagnostisk klassifiseringsnøyaktighet av kaffemodellen for å oppdage histopatologiske vekstmønstre (HGPs) hos pasienter med tykktarmskreft levermetastase (CRLM).
Nøyaktighet er definert som andelen av korrekt forutsagte HGP -etiketter sammenlignet med bakken sannhetsetiketter bestemt av konsensus av ekspertpatologer.
Analysen inkluderer klassifisering av fire-klasser (desmoplast, erstatning, skyving og blandet).
Nøyaktighet vil bli beregnet som: Nøyaktighet = Totalt antall prediksjoner / antall riktige spådommer × 100%.
Utfallet vil bli vurdert ved bruk av digitale hele lysbildebilder hentet fra levermetastaseprøver samlet under operasjonen.
Modellytelsen vil bli evaluert 6 måneder etter operasjonen i en prospektiv valideringskohort.
|
6 måneder etter operasjonen (for potensiell årskull)
|
Andre resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Progresjonsfri overlevelse (PFS, i måneder) i tykktarmskreft levermetastase (CRLM) pasienter stratifisert av AI-basert histopatologisk vekstmønster (HGP) klassifisering
Tidsramme: Opptil 3 år etter operasjonen
|
Dette utfallet evaluerer assosiasjonen mellom AI-basert HGP-klassifisering (desmoplastisk og ikke-desmoplastisk) og progresjonsfri overlevelse (PFS) hos pasienter med kolorektal kreft levermetastase (CRLM) etter kurativ-intensjon reseksjon.
PFS er definert som tiden fra kirurgi til sykdomsprogresjon eller død fra enhver årsak.
Kaplan-Meier-analyse vil bli brukt til å estimere PFS for hver HGP-gruppe, med sammenligninger ved log-rank-test.
Multivariate Cox -regresjonsmodeller vil vurdere den prognostiske verdien av HGPs, justering for kliniske kovariater (f.eks. Alder, kjønn, metastase antall/størrelse, cellegift, marginstatus, tumorbelastningsscore).
Fareforhold med 95% konfidensintervaller vil bli rapportert.
Modellforutsetninger vil bli testet og justert om nødvendig.
|
Opptil 3 år etter operasjonen
|
|
Total Survival (OS, i måneder) i tykktarmskreft levermetastase (CRLM) pasienter lagdelt av AI-basert histopatologisk vekstmønster (HGP) klassifisering
Tidsramme: Opptil 3 år etter operasjonen
|
Dette utfallet evaluerer assosiasjonen mellom AI-basert HGP-klassifisering (desmoplastisk og ikke-desmoplastisk) og total overlevelse (OS) hos pasienter med kolorektal kreft levermetastase (CRLM) etter helbredende intensjonsreseksjon.
OS er definert som tiden fra operasjon til død fra enhver årsak.
Kaplan-Meier-analyse vil bli brukt til å estimere OS for hver HGP-gruppe, med sammenligninger ved log-rank-test.
Multivariate Cox -regresjonsmodeller vil vurdere den prognostiske verdien av HGPs, justering for kliniske kovariater (f.eks. Alder, kjønn, metastase antall/størrelse, cellegift, marginstatus, tumorbelastningsscore).
Fareforhold med 95% konfidensintervaller vil bli rapportert.
Modellforutsetninger vil bli testet og justert om nødvendig.
|
Opptil 3 år etter operasjonen
|
|
Tid til diagnose (i minutter) av patologer med og uten AI-assistert kaffemodell i CRLM HGP-klassifisering
Tidsramme: I løpet av den potensielle prøveperioden (6 måneder)
|
Dette utfallet vurderer virkningen av AI-assistert kaffemodell på diagnostisk effektivitet ved å sammenligne tiden som kreves av patologer for å klassifisere histopatologiske vekstmønstre (HGPs) av kolorektal kreft levermetastase (CRLM), med og uten kaffehjelp.
Beretningen er tiden (minutter) fra lysbildegjennomgangen til sluttdiagnose, målt for hver patolog ved bruk av en standardisert digital helglidebildeplattform.
Sammenligningen inkluderer to armer: den AI-assisterte diagnosearmen, der juniorpatologer bruker kaffe som et beslutningsstøtterverktøy, og den konvensjonelle diagnosearmen, der patologer utfører manuell klassifisering basert på visuell histopatologisk vurdering.
Alle deltakerne gjennomgår det samme settet med lysbilder i randomisert rekkefølge, og diagnostisk tid er logget av visningsprogramvaren.
Beskrivende statistikk (median, IQR) vil bli rapportert.
|
I løpet av den potensielle prøveperioden (6 måneder)
|
|
Diagnostisk nøyaktighet (prosentandel av riktige klassifiseringer) av patologer med og uten AI-assistert kaffemodell i CRLM HGP-klassifisering
Tidsramme: I løpet av den potensielle prøveperioden (6 måneder)
|
Dette resultatet evaluerer diagnostisk nøyaktighet av patologer i klassifisering av histopatologiske vekstmønstre (HGPs) av kolorektal kreft levermetastase (CRLM), og sammenligner AI-assistert kontra konvensjonelle diagnostiske arbeidsflyter.
Nøyaktighet er definert som andelen av riktig klassifiserte hele lysbildebilder (WSIS) i forhold til en gullstandard konsensusdiagnose av ekspert gastrointestinale patologer.
Hver patolog vil uavhengig klassifisere det samme settet med CRLM WSIS under to forhold: med AI -assistanse (kaffemodell) og uten AI -assistanse (manuell vurdering).
Klassifisering vil bli evaluert for både binære HGP-kategorier (Desmoplastic vs. ikke-desmoplast) og fireklasse HGP-kategorier (desmoplastisk, erstatning, skyving, blandet).
Nøyaktighet vil bli beregnet som: Nøyaktighet = Totalt antall prediksjoner / antall riktige spådommer × 100%.
|
I løpet av den potensielle prøveperioden (6 måneder)
|
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)
22. mai 2023
Primær fullføring (Faktiske)
6. mars 2024
Studiet fullført (Faktiske)
6. mars 2024
Datoer for studieregistrering
Først innsendt
3. april 2025
Først innsendt som oppfylte QC-kriteriene
13. april 2025
Først lagt ut (Faktiske)
20. april 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
20. april 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
13. april 2025
Sist bekreftet
1. april 2025
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2023ZSLYEC-256
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
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. .