Radiomika oparta na tomografii komputerowej i modele głębokiego uczenia się do przewidywania inwazji chrząstki tarczycy i rokowania pacjenta w raku krtani
20 sierpnia 2024 zaktualizowane przez: xinwei Chen, First Affiliated Hospital of Chongqing Medical University
Radiomika oparta na tomografii komputerowej, dwuwymiarowe i trójwymiarowe modele głębokiego uczenia się do przewidywania inwazji chrząstki tarczycy i rokowania dla pacjenta z rakiem krtani: badanie wieloośrodkowe
Celem tego retrospektywnego badania było opracowanie i weryfikacja modelu radiomiki opartego na tomografii komputerowej, modelu głębokiego uczenia się 2D i modelu głębokiego uczenia się 3D w celu przedoperacyjnego przewidywania inwazji chrząstki tarczowatej u pacjentów z rakiem krtani, aby zapewnić klinicystom dokładniejszą diagnostykę i podstawy leczenia.
Porównano działanie wyżej wymienionych modeli z pracą dwóch radiologów.
Ponadto naukowcy zbadali przewidywanie wyników przeżycia pacjentów za pomocą powyższych optymalnych modeli.
Przegląd badań
Status
Rekrutacyjny
Warunki
Interwencja / Leczenie
Szczegółowy opis
Rak płaskonabłonkowy krtani (LSCC), jako jeden z najczęstszych nowotworów głowy i szyi, jest ósmą najczęstszą przyczyną zgonów z powodu nowotworów na świecie.
Decyzje dotyczące leczenia mają ogromny wpływ zarówno na kontrolę nowotworu, jak i rokowanie funkcjonalne pacjentów z LSCC.
Decyzje te opierają się przede wszystkim na stopniu zaawansowania nowotworu, przy czym inwazja chrząstki tarczycy jest kluczowym wyznacznikiem.
W związku z tym obecność nacieku chrząstki tarczowatej wskazuje na zaawansowane stadium (T3 lub T4) u pacjentów z LSCC.
U pacjentów bez nacieku chrząstki tarczowatej można rozważyć częściową laryngektomię w celu zachowania funkcji krtani.
Jednakże u pacjentów z zaawansowanym rakiem krtani i naciekiem chrząstki tarczowatej wykraczającym poza krtań często konieczna jest całkowita laryngektomia, aby całkowicie usunąć guz i wydłużyć czas przeżycia.
Dlatego dokładna ocena stopnia naciekania chrząstki tarczowatej ma kluczowe znaczenie przy podejmowaniu decyzji dotyczących leczenia i ocenie rokowania u pacjentów z LSCC.
Ostatnio sztuczna inteligencja w postaci uczenia maszynowego i głębokiego uczenia się (DL) jest szeroko stosowana w obrazowaniu medycznym.
Radiomika, odgrywająca znaczącą rolę w uczeniu maszynowym, może wyodrębnić wielowymiarowe dane dotyczące cech i ilościowo dostarczyć cennych informacji na temat stopnia zaawansowania nowotworu i rokowania.
Ponadto DL może automatycznie wychwytywać i uczyć się cech różnicujących w kompleksowy sposób w celu dokładnego przewidywania.
Łącznymi celami tego wieloośrodkowego badania było opracowanie i walidacja modelu radiomiki, modelu 2D DL i modelu 3D DL na podstawie obrazów CT fazy żylnej oraz porównanie skuteczności tych modeli z wynikami dwóch radiologów w przewidywaniu stanu chrząstki tarczowatej inwazja.
Ponadto badacze zbadali wartość prognostyczną optymalnego przewidywanego modelu inwazji chrząstki tarczycy.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
400
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Chongqing, Chiny
- Rekrutacyjny
- The First Affiliated Hospital of Chongqing Medical University
-
Kontakt:
- Peng juan
- Numer telefonu: +86 189 8328 0171
- E-mail: pengjuan1209@126.com
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
Badacze zebrali pacjentów z rakiem krtani z dwóch ośrodków.
Pacjenci z ośrodka 1 zostali losowo podzieleni na kohortę szkoleniową i kohortę podlegającą wewnętrznej walidacji w stosunku 7:3.
Dodatkowo, pacjenci z ośrodka 2 zostali włączeni jako kohorta walidacji zewnętrznej.
Opis
Kryteria przyjęcia:
- Dostępność pełnych danych klinicznych
- Diagnoza raka płaskonabłonkowego krtani potwierdzona operacyjnie lub potwierdzona biopsją
- Badanie CT wykonane w ciągu 2 tygodni przed operacją
Kryteria wyłączenia:
- Pacjenci, którzy otrzymali przedoperacyjną chemioterapię lub radioterapię
- Obrazy CT ze znaczącymi artefaktami
- Pacjenci z nawrotem nowotworu
- Pacjenci z maksymalną średnicą guza mniejszą niż 5 mm
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
kohorta szkoleniowa
Żadnych interwencji
|
Radiomics wyodrębnia informacje ilościowe z obrazów medycznych w celu wygenerowania wielowymiarowych wektorów cech do analizy. Ma na celu zapewnienie wglądu w procesy chorobowe i poprawę diagnozy. Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do uczenia się złożonych wzorców na podstawie danych. W obrazowaniu medycznym umożliwia dokładną i skuteczną analizę w celu wykrycia i diagnozowania chorób.
Inne nazwy:
|
|
kohorta walidacji wewnętrznej
Żadnych interwencji
|
Radiomics wyodrębnia informacje ilościowe z obrazów medycznych w celu wygenerowania wielowymiarowych wektorów cech do analizy. Ma na celu zapewnienie wglądu w procesy chorobowe i poprawę diagnozy. Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do uczenia się złożonych wzorców na podstawie danych. W obrazowaniu medycznym umożliwia dokładną i skuteczną analizę w celu wykrycia i diagnozowania chorób.
Inne nazwy:
|
|
kohorta walidacji zewnętrznej
Żadnych interwencji
|
Radiomics wyodrębnia informacje ilościowe z obrazów medycznych w celu wygenerowania wielowymiarowych wektorów cech do analizy. Ma na celu zapewnienie wglądu w procesy chorobowe i poprawę diagnozy. Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do uczenia się złożonych wzorców na podstawie danych. W obrazowaniu medycznym umożliwia dokładną i skuteczną analizę w celu wykrycia i diagnozowania chorób.
Inne nazwy:
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Pole pod krzywą, AUC
Ramy czasowe: Do zakończenia studiów, średnio 6 miesięcy
|
Pole pod krzywą (AUC) to metryka szeroko stosowana w uczeniu maszynowym i badaniach medycznych do oceny wydajności modeli w problemach klasyfikacji binarnej.
Odzwierciedla zdolność modelu do identyfikowania prawdziwie pozytywnych elementów (prawdziwie pozytywnych), przy jednoczesnym unikaniu fałszywego klasyfikowania przykładów negatywnych jako pozytywnych (fałszywie pozytywnych).
|
Do zakończenia studiów, średnio 6 miesięcy
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Przeżycie wolne od chorób, DFS
Ramy czasowe: Datę operacji i wystąpienie zdarzeń takich jak progresja choroby, data ostatniej wizyty kontrolnej lub zgon z jakiejkolwiek przyczyny, a czas obserwacji wynosił co najmniej 3 lata
|
Przeżycie wolne od choroby (DFS) odnosi się do czasu od rozpoczęcia randomizacji (zwykle od punktu początkowego badania klinicznego) do nawrotu choroby lub śmierci pacjenta w wyniku postępu choroby.
DFS jest ważnym wskaźnikiem klinicznym i statystycznym stosowanym do oceny długoterminowych skutków leczenia nowotworu.
|
Datę operacji i wystąpienie zdarzeń takich jak progresja choroby, data ostatniej wizyty kontrolnej lub zgon z jakiejkolwiek przyczyny, a czas obserwacji wynosił co najmniej 3 lata
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Współpracownicy
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
13 sierpnia 2023
Zakończenie podstawowe (Szacowany)
13 września 2024
Ukończenie studiów (Szacowany)
13 października 2024
Daty rejestracji na studia
Pierwszy przesłany
12 czerwca 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
17 czerwca 2024
Pierwszy wysłany (Rzeczywisty)
18 czerwca 2024
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
22 sierpnia 2024
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
20 sierpnia 2024
Ostatnia weryfikacja
1 sierpnia 2024
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
- Choroby Układu Oddechowego
- Nowotwory według typu histologicznego
- Nowotwory
- Nowotwory według lokalizacji
- Nowotwory gruczołowe i nabłonkowe
- Choroby układu hormonalnego
- Nowotwory Układu Oddechowego
- Nowotwory otorynolaryngologiczne
- Nowotwory głowy i szyi
- Choroby otorynolaryngologiczne
- Choroby krtani
- Rak
- Choroby tarczycy
- Nowotwory krtani
Inne numery identyfikacyjne badania
- 2024-Chenx
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Opis planu IPD
Dane kliniczne są zbierane ręcznie z systemu przypadków klinicznych; dane obrazu CT są eksportowane z systemu PACS i anonimowo przechowywane na osobnym dysku z danymi; a materiały wizerunkowe są gromadzone i anonimowo przechowywane na osobnym dysku z danymi.
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .