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

Avansert klassifisering av tykktarmstumorer fra CT-skanninger ved bruk av dyp læring for optimalisert behandlingsbeslutningstaking. (DeepColScan)

6. februar 2026 oppdatert av: Assistance Publique - Hôpitaux de Paris

Avansert klassifisering av kolontumorer fra CT-undersøkelser ved bruk av dyp læring for optimalisert behandlingsbeslutningstaking: en multikenterstudie

Denne studien tar sikte på å forbedre klassifiseringen av tykktarmstumorer ved bruk av dyp læring-modeller trent på CT-avbildninger, spesielt for å skille mellom T1-T2 mot T3-T4 stadier og N- mot N+ lymfeknutepåvirkning. Denne klassifiseringen er avgjørende for å veilede preoperativ behandling som kjemoterapi eller immunterapi. Gitt den begrensede nøyaktigheten til radiologer i dagens praksis for stadieinndeling, kan automatiserte bildebaserte AI-verktøy forbedre diagnostisk presisjon og reproduserbarhet, noe som fører til mer personlig tilpasset og effektiv behandlingsplanlegging. Forskeren vil utvikle og validere konvolusjonelle og transformatorbaserte dyp læring-modeller ved bruk av et stort annotert datasett fra flere sentre. Sekundære mål inkluderer fininndelt stadieinndeling (T1 til T4), undergruppespesifikke modeller (MSS mot MSI) og prediktive modeller for kirurgisk

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Detaljert beskrivelse

Dette er en retrospektiv, ikke-intervensjonell, observasjonsstudie som evaluerer bruken av dyp læring for å forbedre preoperativ CT-basert TNM-stadieinndeling hos pasienter med tykktarmskreft. Studien gjennomføres på flere steder innenfor AP-HP-sykehusnettverket (Paris, Frankrike) og bruker data hentet fra institusjonens helsedatalager.

Radiologisk nøyaktighet ved vurdering av tumorstadium (T) og lymfeknutestatus (N) forblir begrenset, til tross for at dette er avgjørende for valg av neoadjuvant behandling. Kunstig intelligens-modeller trent på annoterte bildeopptak kan gi mer konsistent, reproduserbar og nøyaktig klassifisering.

Studiekohorten inkluderer voksne pasienter som gjennomgikk tykktarmsreseksjon mellom januar 2017 og november 2024, med et preoperativt CT-scan og tilhørende patologirapport. Kvalifiserte tilfeller identifiseres ved bruk av standardiserte diagnostiske (ICD-10) og prosedyrebaserte (CCAM) koder. Bilde- og kliniske data anonymiseres før analyse.

Flere AI-modellarkitekturer vil bli testet, inkludert 3D-konvolusjonelle nevrale nettverk og transformatorbaserte tilnærminger. CT-scan vil bli forhåndsbehandlet ved bruk av standardiserte prosesser; patologi-etiketter vil bli ekstrahert ved bruk av naturlig språkbehandling (NLP) eller manuell gjennomgang når nødvendig. Modellens ytelse vil bli vurdert gjennom kryssvalidering og evaluert ved bruk av AUC, F1-score, sensitivitet og spesifisitet.

Utforskende analyser vil inkludere detaljert tumorstadieinndeling og den potensielle prognostiske verdien av bildebaserte trekk for kliniske utfall som overlevelse.

Ingen studie-relaterte prosedyrer utføres. Alle analyser utføres på eksisterende data, i samsvar med fransk databeskyttelse og etiske forskrifter.

Studietype

Observasjonsmessig

Registrering (Antatt)

1000

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

  • Frankrike
      • Paris, Frankrike, 75012
        • Departement of radiology, saint Antoin Hospital

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

Voksne (≥18 år) med patologisk bekreftet tykktarmskreft som gjennomgikk kirurgisk reseksjon ved deltakende sykehus og hadde et tilgjengelig preoperativt thorako-abdominopelvialt CT utført innenfor institusjonen, koblet til en patologirapport som inneholder TNM-stadiering innen 90 dager etter operasjonen. Bilde- og rapportdata hentet fra institusjonens datawarehouse; tvetydige eller manglende merkelapper løst gjennom manuell medisinsk gjennomgang.

Beskrivelse

Inklusjonskriterier:

Voksne som gjennomgikk kolonreseksjonskirurgi på et AP-HP-sykehus mellom 01/01/2017 og 01/11/2024, med:

Et preoperativt abdominopelvisk CT-scan tilgjengelig innen 60 dager før operasjonen.

En tilsvarende patologirapport (anatomopatologiske resultater) tilgjengelig innen 90 dager etter operasjonen.

Kolonreseksjon identifisert av CCAM-prosedyrkoder:

HHFA002, HHFA004, HHFA005, HHFA006, HHFA008, HHFA009, HHFA010, HHFA014, HHFA017, HHFA018, HHFA021, HHFA022, HHFA023, HHFA024, HHFA026, HHFA028, HHFA029, HHFA030, HHFA031, HHFC040, HHFC296.

Bekreftet diagnose av kolontumor med ICD-10-kode:

C18* (kolonneoplassmer).

Eksklusjonskriterier:

Pasienter som mottok neoadjuvant kjemoterapi før operasjonen, identifisert av ICD-10-kodene Z511 eller Z512 registrert før den kirurgiske handlingen.

Disse eksklusjonene vil bli raffinert og bekreftet gjennom manuell gjennomgang av medisinske journaler for å sikre nøyaktighet.

Fravær av brukbar CT-bildedata eller anatomisk patologidata koblet til den kirurgiske hendelsen.

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
Tran-valideringsgruppe

Voksne med patologisk bekreftet tykktarmskreft som gjennomgikk preoperativ torako-abdominopelvial CT og påfølgende kolektomi ved deltakende sentre; tilfeller som oppfyller bilde- og patologikvalitetskriterier brukt for modelltrening og intern kryssvalidering.

AI / Deep Learning CT-analyse:

Retrospektiv analyse av eksisterende preoperative CT-skanninger og tilknyttet patologi-/klinisk data for å utvikle og evaluere automatisert stadieinndelingsmodeller. Ingen eksperimentell medisin, utstyr eller prosedyre administreres.
Testgruppe
Distinkt delsett (tilfeldig tatt ved starten av modelltrening) av kvalifiserte tykktarmskrefttilfeller holdt tilbake fra modellutvikling for å gi uavhengig ytelsesvalidering for T- og N-klassifiseringsmodeller og utforskende sekundæranalyser.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnostisk ytelse av CT-baserte dyp læringsmodeller for T (T1-2 vs T3-4) og N (N- vs N+) stadieinndeling.
Tidsramme: Indeks preoperativ CT gjennom postoperativ patologirapport (innen 90 dager etter operasjon).
Areal under ROC-kurven (AUC) og F1-score for dyp læringsmodeller i (a) klassifisering av tidlig vs avansert T-stadium (T1-2 vs T3-4) og (b) nodalstatus (N- vs N+) sammenlignet med patologisk gullstandard. Sensitivitet, spesifisitet, PPV, NPV rapportert som støttende målinger; modellens ytelse sammenlignet med historiske radiologiske referanseverdier når tilgjengelig.
Indeks preoperativ CT gjennom postoperativ patologirapport (innen 90 dager etter operasjon).

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Deteksjonsytelse for T4-tumorer på preoperativ CT.
Tidsramme: Indeks CT til patologibekreftelse (≤90 dager etter operasjon).
AUC, F1, sensitivitet, spesifisitet for binær klassifisering T4 mot ikke-T4 (T1-3). Analyser stratifisert etter tumorlokalisasjon og kontrastfase når data tillater det.
Indeks CT til patologibekreftelse (≤90 dager etter operasjon).
Multiklasse T-stadie klassifiseringsnøyaktighet (T1, T2, T3, T4).
Tidsramme: Indeks CT til patologibekreftelse (≤90 dager).
Makrogjennomsnittet F1, klassevis sensitivitet/spesifisitet, forvirringsmatrise og Cohens kappa som sammenligner modell-forutsagt 4-klasse T-stadium med patologi.
Indeks CT til patologibekreftelse (≤90 dager).
Prognostisk verdi av CT-avledede modellfunksjoner for kliniske utfall og overlevelse.
Tidsramme: Fra indeks CT til siste oppfølging (opptil 5 år, eller maksimal tilgjengelig oppfølging i EHR).
Sammenheng mellom modellutdata (sannsynligheter, innlegginger) og (a) total overlevelse, (b) sykdomsfri overlevelse. Evaluert ved hjelp av Kaplan-Meier-analyse, log-rank-tester og multivariable Cox-modeller justert for kliniske kovariater der tilgjengelig.
Fra indeks CT til siste oppfølging (opptil 5 år, eller maksimal tilgjengelig oppfølging i EHR).

Samarbeidspartnere og etterforskere

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

Sponsor

Assistance Publique - Hôpitaux de Paris

Samarbeidspartnere

Institut National de Recherche en Informatique et en Automatique

Etterforskere

  • Hovedetterforsker: Quentin Vanderbecq, MD, Assistance Publique - Hôpitaux de Paris

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. februar 2026

Primær fullføring (Antatt)

1. februar 2028

Studiet fullført (Antatt)

1. februar 2028

Datoer for studieregistrering

Først innsendt

6. februar 2026

Først innsendt som oppfylte QC-kriteriene

6. februar 2026

Først lagt ut (Faktiske)

12. februar 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

12. februar 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

6. februar 2026

Sist bekreftet

1. februar 2025

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • APHP251408

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