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

Multimodal dyp læring for lymfeknutemetastase i skjoldbruskkjertelkreft

22. desember 2025 oppdatert av: Yu Feng, West China Hospital

En multicenter-studie om utvikling av en multimodal dybdelæringsmodell basert på farge Doppler ultralyd for prediksjon av lymfeknute-metastase og kreftstadieindelings i papillær skjoldbruskkjertelkreft

Papillært skjoldbruskkjertelkreft (PTC) er den vanligste endokrine maligniteten i klinisk praksis og utgjør omtrent 85 % av alle skjoldbruskkjertelmaligniteter. Forekomsten av metastaser i cervikale lymfeknuter øker ytterligere risikoen for lokal tumorresidiv og fjernmetastaser, og reduserer dermed pasientenes overlevelsesrater. Patologiske undersøkelser viser at omtrent 30–80 % av PTC-pasienter har lymfeknutemetastaser. Tidlig oppdagelse av metastatiske lymfeknuter og utvikling av individualiserte behandlingsplaner er avgjørende for å forbedre pasientprognosen. For tiden er den primære metoden for å diagnostisere lymfeknutemetastaser ultralydstyrt finnålsaspirasjon, men nøyaktigheten er begrenset av prøvekvaliteten og bærer en risiko for falske negative resultater. I de siste årene har dyp læringsteknologi vist betydelig potensial innen medisinsk bildeanalyse. Derfor har forskerne som mål å utvikle en dyp læringsmodell basert på halsultralyd for å mer nøyaktig forutsi lymfeknutemetastaser.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Intervensjon / Behandling

Studietype

Observasjonsmessig

Registrering (Antatt)

3200

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

Studiesteder

  • Kina
    • Sichuan
      • Chengdu, Sichuan, Kina, 610041
        • West China Hospital of Sichuan University
        • Ta kontakt med:
        • 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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Kliniske data fra pasienter som gjennomgikk thyreoidektomi ved West China Hospital of Sichuan University og dets tilknyttede filialsykehus mellom oktober 2020 og oktober 2025 ble retrospektivt samlet og analysert.

Beskrivelse

Inklusjonskriterier:

Pasienter i alderen 18–80 år som gjennomgikk ultralydundersøkelse av skjoldbruskkjertelen og postoperativ patologisk undersøkelse av skjoldbruskkjertelen.

Pasienter med første gang diagnostisert papillær skjoldbruskkjertelkreft. Pasienter som gjennomgikk lymfeknutedisseksjon

Eksklusjonskriterier:

Pasienter under 18 år eller over 80 år. Pasienter med dårlig kvalitet på ultralydbilder. Pasienter med ufullstendig visualiserte noduler. Pasienter med bilder som viser flere distinkte lesjoner. Pasienter som tilhører spesielle populasjoner. Pasienter med samtidige andre svulster. Pasienter med tidligere reseksjon av skjoldbruskkjertelkreft

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
Papillært skjoldbruskkjertelkreftgruppe
Annen: ikke intervensjon
Dette er en retrospektiv observasjonsstudie der deltakerne ikke vil gjennomgå noen intervensjoner, og kun datainnsamling og analyse vil bli utført på deltakerne.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Areal under mottakeroperasjonskarakteristikk-kurven for en multimodal dyp læringsmodell basert på cervikal ultralyd i prediksjon av lymfeknute-metastase
Tidsramme: Innen 2 måneder etter fullført pasientrekruttering
Forskeren vil benytte en multimodal dybdelæringsmodell som integrerer preoperativt cervicale farge-Doppler ultralydbilder med tilsvarende strukturerte tekstrapporter. Den endelige utgangen av modellen er en predikert sannsynlighet for lymfeknute-metastase for hver pasient (en kontinuerlig verdi mellom 0 og 1). Denne predikerte sannsynligheten vil bli sammenlignet med postoperative histopatologiske diagnoseresultater (gullstandarden). En receiver operating characteristic-kurve vil bli plottet for modellen, og dens areal under kurven vil bli beregnet.Dette er gullstandardmålet for å evaluere diskriminativ evne til en binær klassifiseringsmodell (metastase vs. ikke-metastase). En høyere AUC-verdi indikerer sterkere samlet diskriminativ kraft av modellen.
Innen 2 måneder etter fullført pasientrekruttering
Sensitiviteten til en multimodal dyp læringsmodell basert på cervical ultralyd for å forutsi lymfeknute-metastase
Tidsramme: Innen 2 måneder etter fullført inkludering av forsøkspersoner.
Denne metrikken har som mål å evaluere evnen til den konstruerte multimodale dyp-læringsmodellen til å korrekt identifisere pasienter med papillært skjoldbruskkjertelkreft som faktisk har metastaser i cervikale lymfeknuter, under den optimale diagnostiske terskelen. Forskere må samle inn antall pasienter diagnostisert med lymfeknutemetastase gjennom postoperativ patologi, samt antall pasienter predikert som «positive» (dvs. predikert å ha metastase) av modellen, for å beregne sensitiviteten til den cervikale ultralyd-baserte multimodale dyp-læringsmodellen i prediksjon av lymfeknutemetastase. Beregningsformel: Sensitivitet = Antall sanne positive pasienter / Totalt antall positive pasienter bekreftet av postoperativ patologi.
Innen 2 måneder etter fullført inkludering av forsøkspersoner.
Spesifisiteten til en multimodal dyp læringsmodell basert på livmorhalsultralyd for å forutsi lymfeknute-metastase
Tidsramme: Innen 2 måneder etter fullført deltakerrekruttering.
Denne metrikken har som mål å evaluere evnen til den konstruerte multimodale dyp læringsmodellen til å korrekt utelukke pasienter med papillært skjoldbruskkjertelkreft som ikke har utviklet metastaser i de cervicale lymfeknutene, under den optimale diagnostiske terskelen. Forskere må samle inn antall pasienter diagnostisert uten lymfeknutemetastaser via postoperativ patologi, samt antall pasienter som modellen predikerer som "negative" (dvs. predikert til å ikke ha metastaser), for å beregne spesifisiteten til den cervicale ultralydbaserte multimodale dyp læringsmodellen i prediksjon av lymfeknutemetastaser. Beregningsformel: Spesifisitet = Antall sanne negative pasienter / Totalt antall negative pasienter bekreftet av postoperativ patologi.
Innen 2 måneder etter fullført deltakerrekruttering.

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Den patologisk bekreftede lymfeknutemetastaseringsraten i studiekohorten
Tidsramme: Innen 2 måneder etter fullført pasientrekruttering
Det refererer til prosentandelen av pasienter med minst én metastatisk lymfeknute bekreftet ved postoperativ patologisk undersøkelse, i forhold til det totale antallet individer i den tilsvarende studiepopulasjonen. Forskere må samle inn antall pasienter diagnostisert med lymfeknute-metastase gjennom postoperativ patologisk undersøkelse.
Innen 2 måneder etter fullført pasientrekruttering
Justerte oddsratioer for kliniske faktorer assosiert med patologisk bekreftet lymfeknute-metastase
Tidsramme: Innen 2 måneder etter fullført pasientrekruttering
Forskere må samle inn utfallsvariabelen (dvs. postoperativt patologisk bekreftet lymfeknutemetastasestatus) og dens eksponeringsvariabler (som den spesifikke plasseringen av primærtumoren i skjoldbruskkjertelen, maksimal tumordiameter, pasientens alder, etc.). Ved å bruke disse variablene beregnes de justerte oddsforholdene for å reflektere, etter justering for andre forvirrende faktorer, hvor mange ganger mer sannsynlig det er at pasienter med en spesifikk eksponeringsegenskap (f.eks. tumor lokalisert i øvre pol) har lymfeknutemetastase sammenlignet med pasienter i referansegruppen (f.eks. tumor lokalisert i nedre pol).
Innen 2 måneder etter fullført pasientrekruttering
Den vektede Kappa-koeffisienten for konsistensen mellom modellforutsagt pTNM-stadium og patologisk stadium
Tidsramme: Innen 2 måneder etter fullføring av pasientinnmelding
Forskere må samle inn og registrere modellens predikerte pTNM-stadium og pasientens faktiske pTNM-stadium for å evaluere konsistensen mellom modellens predikerte komplette pTNM-stadium og det patologiske stadiet.
Innen 2 måneder etter fullføring av pasientinnmelding

Samarbeidspartnere og etterforskere

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

Sponsor

West China Hospital

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 (Antatt)

1. januar 2026

Primær fullføring (Antatt)

1. mars 2026

Studiet fullført (Antatt)

1. mai 2026

Datoer for studieregistrering

Først innsendt

9. desember 2025

Først innsendt som oppfylte QC-kriteriene

22. desember 2025

Først lagt ut (Faktiske)

23. desember 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

23. desember 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

22. desember 2025

Sist bekreftet

1. desember 2025

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 2025(2352)

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. .

Abonnere