Badanie kliniczne obrazowania genomiki oparte na uczeniu maszynowym dla BCIG
Badanie kliniczne genomiki obrazowania oparte na uczeniu maszynowym w typowaniu molekularnym raka piersi i przewidywaniu ryzyka (BCIG)
- Zidentyfikuj cechy obrazowania raka piersi za pomocą różnych typów molekularnych
- Ujawnij związek między rakiem piersi z dodatnim receptorem hormonalnym / HER2-ujemnym a histologią obrazowania, ocena nawrotów Oncotype Dx
- Połącz genomikę i obrazowanie, aby stworzyć model prognostyczny dla czułości ukierunkowanej terapii raka piersi HER2-dodatniego
- Stworzenie modelu przewidywania genomiki obrazowania dla podtypów molekularnych potrójnie negatywnego raka piersi i wyjaśnienie charakterystyki genomiki obrazowania celów terapeutycznych każdego podtypu
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Projekt badawczy
- Badania nad typowaniem molekularnym raka piersi na podstawie cech obrazowych
- Ustanowienie modelu przewidywania ryzyka nawrotu raka piersi w świetle jelita
- Ustanowić model przewidywania czułości terapii celowanej HER2
- Ustanowienie modelu przewidywania podtypów molekularnych TNBC Metody badawcze Przedmiot badań W tym badaniu wykorzystano wieloośrodkowe badanie w celu prospektywnego włączenia pacjentów z rakiem piersi, u których zdiagnozowano patologię. Wszyscy włączeni pacjenci mieli pełne dane kliniczne, w tym cechy demograficzne (płeć, wiek, stan menstruacyjny i historię płodności) oraz dane patologiczne (dane histopatologiczne). Stopień zaawansowania, status immunohistochemiczny i FISH, testy genetyczne rejestrują wynik nawrotu i genotyp), dane obrazowe, pełne leczenie i obserwację (czy występuje wznowa miejscowa i przerzuty oraz czas rozpoznania).
Badanie rezonansem magnetycznym W celu zachowania porównywalności obrazów i zmniejszenia błędów systematycznych każdy ośrodek wybiera do skanowania stały aparat MR. Wśród nich A. Szpital Onkologiczny zdecydował się na skanowanie obrazów za pomocą sprzętu MR 3.0T (Siemens Skyra). Specjalna cewka do piersi jest używana do dodania skanowania ważonego dyfuzją w wysokiej rozdzielczości i skanowania ważonego dyfuzją wielu wartości b przed skanowaniem wzmocnienia dynamicznego. Dynamicznie wzmocniona akwizycja w 5 fazach z rozdzielczością czasową 65s. B. Szpital Renji korzysta z holenderskiego skanera MR nadprzewodnikowego Philips Achieva 3.0 T, 4-kanałowej dedykowanej cewki fazowanej do piersi. Sekwencje skanowania obejmują T1WI, T2WI, supresję tłuszczu T2WI, DWI i DCE-MRI. Środkiem kontrastowym był Gd-DTPA w dawce 0,1 mmol/kg, szybkość wstrzykiwania 2,0 ml/s, a po wstrzyknięciu do probówki dodano dodatkowe 20 ml soli fizjologicznej. Najpierw wykonano skanowanie T1WI, a po wstrzyknięciu środka kontrastowego skanowano w sposób ciągły 5 faz czasowych, a każda faza czasowa była oddzielona 61 s, w sumie 6 faz czasowych. C. Chińskie kobiety i dzieci są skanowane za pomocą sprzętu 1,5T SIEMENS AERA MR i specjalnych cewek do badania piersi. Sekwencja skanowania obejmuje 5 faz T1WI, supresję tkanki tłuszczowej T2WI, skan DWI i dynamiczne wzmocnienie, rozdzielczość czasowa 71 s.
Przetwarzanie obrazu Za pomocą oprogramowania wykonaj półautomatyczne i automatyczne obrysy obszaru zainteresowania guza oraz zarys części litej do wzmocnienia guza, całego obszaru guza i otaczającej go strefy obrzęku w pozycji poprzecznej. W celu dokładnego wytyczenia guza należy porównać obrazy T1 i T2 ważone i dynamicznie wzmocnione, odpowiedzialnych jest dwóch lekarzy zajmujących się obrazowaniem, jeden jest odpowiedzialny za wytyczenie, a drugi jest weryfikowany, a sporny obszar jest określany po omówieniu przez trzecią osobę. Stwórz dynamiczny, ulepszony program do analizy tekstury guza, aby automatycznie wyodrębnić cechy omiki obrazowania w obszarze zainteresowania. Wykorzystując zestaw danych z etykietami, konstruowany jest komputerowy model algorytmu automatycznej segmentacji oparty na uczeniu maszynowym, aby automatycznie wyodrębniać obszary zainteresowania, a ocena wydajności segmentacji jest przeprowadzana na ręcznie wyznaczonych etykietach.
Analiza statystyczna Przeprowadź analizę statystyczną uzyskanych obrazów i danych klinicznych, wyodrębnij cechy omiki obrazu i wykorzystaj algorytmy uczenia maszynowego do przesiewania ważnych cech. Używaj narzędzi statystycznych, takich jak SPSS i język R. Sparowany test t (zmienna ciągła) i test chi-kwadrat (zmienna nieciągła) zastosowano do porównania charakterystyki klinicznej i obrazowej pacjentów z różnym rokowaniem; analiza korelacji została wykorzystana do oceny charakterystyki histologicznej obrazowania i różnych stopni patologicznych tkanek, Korelacja między przerzutami do węzłów chłonnych a specyficzną ekspresją genów; wykorzystać krzywą przeżycia Kaplana-Meiera do analizy różnicy prognostycznej między pacjentami z różnymi cechami omicznymi obrazowania i zastosować metodę log-rank do przetestowania różnicy; użyj modelu przeżycia Coxa, aby porównać charakterystykę kliniczną i wyniki badań obrazowych Charakterystykę i rokowanie pacjentów (przeżycie wolne od guza, przeżycie wolne od progresji choroby, przeżycie całkowite) analizowano na podstawie wielu czynników. Co więcej, algorytmy głębokiego uczenia się mogą być wykorzystywane do automatycznego uczenia się funkcji omicznych obrazowania, które mogą być związane z podtypami molekularnymi i prognozami w celu budowania modeli predykcyjnych.
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Gu Ya Jia
- Numer telefonu: 86-18017317817
- E-mail: guyajia@126.com
Lokalizacje studiów
-
-
Shanghai
-
Shanghai, Shanghai, Chiny, 200032
- Fudan University Shanghai Cancer Center
-
Kontakt:
- Gu Ya Jia
- Numer telefonu: 86-18017312040
- E-mail: guyajia@126.com
-
Główny śledczy:
- Hua jia
-
Główny śledczy:
- Qian zhaoxia
-
Główny śledczy:
- Wang he
-
Pod-śledczy:
- You chao
-
Pod-śledczy:
- Zhuang zhiguo
-
Pod-śledczy:
- Jiang ling
-
Pod-śledczy:
- Zheng rencheng
-
Pod-śledczy:
- Xiao qin
-
Pod-śledczy:
- Chen yanqiong
-
Pod-śledczy:
- Hu xiaoxin
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Diagnostyka patologiczna i immunohistochemiczna raka piersi za pomocą biopsji
- Brak przeciwwskazań do MRI i brak biopsji przed MRI
- Bez radioterapii i chemioterapii przed rejestracją
Kryteria wyłączenia:
- Osoby z wcześniejszą operacją raka piersi, hormonalną terapią zastępczą i radioterapią klatki piersiowej
- Pacjenci z ciężkimi chorobami, którzy nie mogą współpracować przy badaniu
- Osoby z przeciwwskazaniami do MRI
- Naukowcy uważają, że inne warunki nie nadają się do badania MRI piersi
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Luminalny
Luminal A：ER+ i/lub PR+,HER2- Luminal B：ER+ i/lub PR+,HER2+ * ER: receptor estrogenowy PR: receptor progesteronowy HER2: receptor 2 ludzkiego naskórkowego czynnika wzrostu |
Chirurgia miejscowa, radioterapia i terapia ogólnoustrojowa, taka jak chemioterapia, celowanie hormonalne i molekularne.
|
|
Nadekspresja HER2
ER-PR-,HER2+ * ER: receptor estrogenowy PR: receptor progesteronowy HER2: receptor 2 ludzkiego naskórkowego czynnika wzrostu |
Chirurgia miejscowa, radioterapia i terapia ogólnoustrojowa, taka jak chemioterapia, celowanie hormonalne i molekularne.
|
|
Potrójny negatywny
ER-PR-,HER2- * ER: receptor estrogenowy PR: receptor progesteronowy HER2: receptor 2 ludzkiego naskórkowego czynnika wzrostu |
Chirurgia miejscowa, radioterapia i terapia ogólnoustrojowa, taka jak chemioterapia, celowanie hormonalne i molekularne.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Model przewidywania obrazu o różnym typowaniu molekularnym
Ramy czasowe: 30 grudnia 2022 ---- 30 grudnia 2023
|
|
30 grudnia 2022 ---- 30 grudnia 2023
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Gu Ya Jia, Fudan University
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Oczekiwany)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- BCIG
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .