Analiza obrazu w oparciu o PET/CT i uczenie maszynowe hipermetabolicznych zmian w płucach
22 lipca 2025 zaktualizowane przez: Hu Jiajia, Ruijin Hospital
Rozróżnianie chłoniaka płuc i innych zmian hipermetabolicznych na podstawie obrazowania PET/CT na podstawie obrazów obrazowych i technik uczenia maszynowego: wieloośrodkowe badanie retrospektywne
Najpierw analizujemy typy, wyniki badań obrazowych i odpowiednie odpowiedzi na leczenie w oparciu o PET/CT, aby uzyskać pełniejszy obraz chłoniaków płuc.
Następnie opracowane zostaną modele oparte na cechach radiomiki, aby zweryfikować możliwość różnicowania chłoniaków płuc za pomocą uczenia maszynowego i opracować wieloklasowy model klasyfikacji.
Ostatecznym celem tego badania jest opracowanie zestawu modeli głębokiego uczenia się do wstępnej segmentacji uszkodzeń płuc i klasyfikacji wieloklasowej. Modele klasyfikują zmiany w płucach wywołane FDG na cztery grupy, każdą zdefiniowaną na podstawie pochodzenia patologicznego, terapii podstawowej i odpowiedniego oddziału klinicznego.
Przegląd badań
Status
Zakończony
Interwencja / Leczenie
Szczegółowy opis
- Oprogramowanie do ekstrakcji cech obrazu lokalnego (LIFEx, wersja 7.4.0, Francja) została wykorzystana do przeglądu obrazu i pomiaru odpowiednich danych. Trzej obserwatorzy niezależnie zinterpretowali obrazy. W przypadku braku porozumienia pierwszeństwo miała opinia starszego lekarza z ponad dziesięcioletnim doświadczeniem. Wyniki badań obrazowych rejestrowano na podstawie badań wyjściowych. Liczba zmian, lokalizacja i etykiety opisowe były systematycznie rejestrowane zgodnie z normami określonymi w raporcie obrazowym. Do sortowania i obliczeń danych wykorzystano oprogramowanie statystyczne SPSS (v26.0). Do porównania SPL i PPL zastosowano test chi-kwadrat w oparciu o zmienne kategoryczne, takie jak wyniki tomografii komputerowej, natomiast test T wykorzystano do oceny zmiennych ciągłych, takich jak glikemia i SUV. Biorąc pod uwagę przewagę zmiennych kategorycznych, do oceny odpowiedzi na leczenie i skuteczności obrazowania wykorzystano test chi-kwadrat lub dokładny test Fishera (dla próbek <40 lub >20% komórek z <5 oczekiwaną liczbą). Do analizy związku pomiędzy zmiennymi ciągłymi kategorycznymi i opartymi na SUV-ie wykorzystano współczynnik korelacji Spearmana.
- W tym badaniu jako objętość będącą przedmiotem zainteresowania (VOI) do analizy obrazu wybrano objętość metaboliczną guza na względnym progu 40% (MTV40%). Do ekstrakcji cech wykorzystaliśmy oparty na Pythonie (v3.11.7) zestaw narzędzi do ekstrakcji cech PyRadiomics (v3.1.0) oparty na radiomics. wraz z biblioteką przetwarzania obrazów medycznych SimpleITK (v2.3.1), biblioteką obliczeń numerycznych i manipulacji danymi Numpy (v1.26.2) oraz biblioteką transformacji falkowej PyWavelet (v1.5.0). Wyboru funkcji dokonano przy użyciu narzędzia RStudio (wersja 2023.12.0+369) opartego na języku programowania R (wersja 4.2.0). Aby zapewnić wydajność obliczeniową i uniknąć nadmiernego dopasowania, liczbę zachowanych cech ograniczono do 10% lub mniej liczby zmian w zbiorze uczącym. Analizę i walidację modelu przeprowadzono głównie przy użyciu oprogramowania RStudio.
- Badanie głębokiego uczenia się dzieli zadanie identyfikacji i klasyfikacji hipermetabolicznych zmian w płucach na dwa etapy: segmentację i klasyfikację. Na etapie segmentacji najpierw wykorzystaliśmy model 2D Lungmask o otwartym kodzie źródłowym, aby automatycznie przyciąć obszar płuc z obrazów PET/CT całego ciała, zapewniając, że późniejsze przetwarzanie skupi się na obszarze płuc. Następnie opracowaliśmy model 3D UNet z modułami resztkowymi zaprojektowanymi specjalnie do segmentacji hipermetabolicznych zmian w płucach. Model ten wykorzystuje przycięte obrazy PET/CT jako dane wejściowe, skutecznie wydobywając informacje o zmianach z obrazów trójwymiarowych i dokładnie segmentując obszary zmian hipermetabolicznych w płucach. Model następnie zastosowano do wnioskowania zarówno w zestawach testów wewnętrznych, jak i zewnętrznych zestawach do walidacji, w wyniku czego uzyskano ekstrakcję obszarów ROI zawierających zmiany.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
647
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Shanghai
-
Shanghai, Shanghai, Chiny, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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 bez prawdopodobieństwa
Badana populacja
Do tego retrospektywnego badania włączono pacjentów, którzy przeszli badania PET/CT na Oddziale Medycyny Nuklearnej od stycznia 2015 r. do lutego 2024 r. w 5 instytucjach: szpitalu Ruijin, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital w prowincji Anhui oraz Szpital stowarzyszony Uniwersytetu Tradycyjnej Medycyny Chińskiej w Nanjing.
Opis
Kryteria włączenia:
- Dorośli pacjenci (≥18 lat);
- Chłoniak pierwotny lub nawrotowy, ≥6 miesięcy od ostatniego leczenia; pacjenci z pierwotnym rakiem płuc, bez wcześniejszej choroby nowotworowej;
- Łagodne, lite zmiany w płucach, bez wcześniejszego nowotworu złośliwego;
- Przerzuty do płuc, nieleczone radioterapią płuc lub implantacją cząstek;
- Ocena wyjściowa ujawniająca zmiany w płucach dodatnie w badaniu PET.
- Wyniki patologiczne w ciągu 3 miesięcy od daty badania, rodzaj zmian w płucach potwierdzony tracheoskopią, nakłuciem płuc lub zabiegiem chirurgicznym.
- Wyjściowe pozostałe zmiany w płucach uznano za chłoniaka płuc (lub przerzuty) na podstawie kontrolnej oceny klinicznej i obrazowej.
Kryteria wykluczenia:
- Słaba jakość obrazu;
- Brak możliwości określenia granic zmian w płucach na obrazach CT;
- Artefakty spowodowane przez pobliskie urządzenia, takie jak stenty lub rurki drenażowe.
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 |
|---|---|
|
Chłoniak płuc
(1) Dorośli pacjenci (≥18 lat).
(2) Pacjenci z pierwotnym lub nawrotowym chłoniakiem, ≥6 miesięcy od ostatniego leczenia.
(3) Wyjściowa ocena w szpitalu wykazała zmiany w płucach dodatnie w badaniu PET, maksymalna średnica zmierzona za pomocą tomografii komputerowej ≥3 mm, widoczna na ≥2 warstwach obrazu.
(4) Wyniki patologiczne w ciągu 3 miesięcy od daty badania, rodzaj zmian w płucach potwierdzony tracheoskopią, nakłuciem płuc lub zabiegiem chirurgicznym.
Lub wyjściowe zmiany płucne w przebiegu chłoniaka, zdiagnozowane na podstawie węzła chłonnego i zewnętrznego nakłucia płuca, w dalszym ciągu uznawane są za chłoniaka płuc na podstawie kontrolnej oceny klinicznej i obrazowej.
|
Obserwuj obrazy medyczne za pomocą stacji roboczej lub lokalnego oprogramowania do analizy obrazów
Wyodrębnianie cech obrazu za pomocą radiomiki lub metod głębokiego uczenia się
|
|
Rak płuc
(1) Dorośli pacjenci (≥18 lat).
(2) Pacjenci z pierwotnym rakiem płuca bez wcześniejszej choroby nowotworowej. (3) Początkowa ocena w szpitalu wykazała zmiany w płucach dodatnie w badaniu PET, maksymalna średnica zmierzona w tomografii komputerowej ≥3 mm, widoczna na ≥2 warstwach obrazu.
(4) Wyniki patologiczne w ciągu 3 miesięcy od daty badania, rodzaj zmian w płucach potwierdzony tracheoskopią, nakłuciem płuc lub zabiegiem chirurgicznym.
|
Obserwuj obrazy medyczne za pomocą stacji roboczej lub lokalnego oprogramowania do analizy obrazów
Wyodrębnianie cech obrazu za pomocą radiomiki lub metod głębokiego uczenia się
|
|
Łagodny
(1) Dorośli pacjenci (≥18 lat).
(2) Pacjenci z łagodnymi, litymi zmianami w płucach, bez wcześniejszego nowotworu złośliwego.
(3) Wyjściowa ocena w szpitalu wykazała zmiany w płucach dodatnie w badaniu PET, maksymalna średnica zmierzona za pomocą tomografii komputerowej ≥3 mm, widoczna na ≥2 warstwach obrazu.
(4) Wyniki patologiczne w ciągu 3 miesięcy od daty badania, rodzaj zmian w płucach potwierdzony tracheoskopią, nakłuciem płuc lub zabiegiem chirurgicznym.
|
Obserwuj obrazy medyczne za pomocą stacji roboczej lub lokalnego oprogramowania do analizy obrazów
Wyodrębnianie cech obrazu za pomocą radiomiki lub metod głębokiego uczenia się
|
|
Przerzut
(1) Dorośli pacjenci (≥18 lat).
(2) Pacjenci z przerzutami do płuc, nieleczeni radioterapią płuc lub implantacją cząstek.
(3) Wyjściowa ocena w szpitalu wykazała zmiany w płucach dodatnie w badaniu PET, maksymalna średnica zmierzona za pomocą tomografii komputerowej ≥3 mm, widoczna na ≥2 warstwach obrazu.
(4) Wyniki patologiczne w ciągu 3 miesięcy od daty badania, rodzaj zmian w płucach potwierdzony tracheoskopią, nakłuciem płuc lub zabiegiem chirurgicznym.
Lub wyjściowe zmiany płucne w postaci przerzutów zdiagnozowane na podstawie węzłów chłonnych i zewnętrznego nakłucia płuca nadal uważa się za przerzuty do płuc na podstawie kontrolnej oceny klinicznej i obrazowej.
|
Obserwuj obrazy medyczne za pomocą stacji roboczej lub lokalnego oprogramowania do analizy obrazów
Wyodrębnianie cech obrazu za pomocą radiomiki lub metod głębokiego uczenia się
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Ramy czasowe |
|---|---|
|
Funkcje obrazowania/radiomiki/głębokiego uczenia się obrazu PET/CT 18F-FDG
Ramy czasowe: Linia bazowa
|
Linia bazowa
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Efektywność modelu segmentacji
Ramy czasowe: bezpośrednio po opracowaniu i przetestowaniu modeli
|
Skuteczność modelu segmentacji ocenia się na podstawie współczynnika wykrywalności zmian chorobowych i współczynnika podobieństwa Dice'a (2(A∩B)/(A+B), A=objętość woksela segmentowanego, B=objętość prawdy podstawowej), które opisują dokładność podziału zmiany chorobowej i tła.
|
bezpośrednio po opracowaniu i przetestowaniu modeli
|
|
Efektywność modelu klasyfikacji
Ramy czasowe: bezpośrednio po opracowaniu i przetestowaniu modeli
|
Model klasyfikacji ocenia się na podstawie dokładności [ (TP+TN)/(TP+FP+TN+FN) ] , precyzji [TP/(TP+FP)], przypominalności [TP/(TP+FN)], F1- wynik [2*precyzja*przypomnienie/(precyzja+przypomnienie)], który opisuje stosunek prawidłowo lub błędnie sklasyfikowanych zmian w próbkach z różnych aspektów.
Krzywa charakterystyki działania odbiornika (ROC) może to zilustrować bardziej wizualnie.
Pole pod krzywą (AUC) obliczyło proporcję pola pod krzywą ROC w zakresie od 0 do 1, reprezentującą ogólną skuteczność klasyfikacji w każdej grupie.
|
bezpośrednio po opracowaniu i przetestowaniu modeli
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
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)
1 kwietnia 2024
Zakończenie podstawowe (Rzeczywisty)
20 lipca 2024
Ukończenie studiów (Rzeczywisty)
30 kwietnia 2025
Daty rejestracji na studia
Pierwszy przesłany
11 września 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
17 września 2024
Pierwszy wysłany (Rzeczywisty)
19 września 2024
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
23 lipca 2025
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
22 lipca 2025
Ostatnia weryfikacja
1 lipca 2025
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- RuijinH 2024-70
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
produkt wyprodukowany i wyeksportowany z USA
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 .