Opracowanie i walidacja modelu głębokiego uczenia się w celu przewidywania odległych przerzutów w raku nosowo -gardłowym za pomocą obrazowania całego slajdu i MRI
21 lutego 2025 zaktualizowane przez: Pu-Yun OuYang, Sun Yat-sen University
Rozwój i walidacja wieloośrodkowego modelu głębokiego uczenia się oparta na obrazowaniu całego slajdu i obrazowaniu rezonansu magnetycznego nosogardzieli i węzłów chłonnych w celu przewidywania odległych przerzutów podczas diagnozy w raku nosowo -gardłowym
Opracowano model AI w celu przewidywania prawdopodobieństwa odległych przerzutów u pacjentów z rakiem nosogardzieli w oparciu o slajdy patologiczne i skany MRI pierwotnego guza.
Model został sprawdzony przy użyciu danych z wielu centrów.
Następnie zastosowano go do pacjentów z zaawansowanymi stadiami, których zalecano do przejścia skanów PET/CT w oparciu o wytyczne NCCN lub CSCO.
Ten model AI może dokładnie przeglądać pacjentów z wysokim ryzykiem odległych przerzutów w momencie początkowej diagnozy w celu otrzymania PET/CT, uniknąć nadmiernego badania pacjentów z niskim ryzykiem odległych przerzutów, oszczędzać zasoby medyczne i zmniejszyć obciążenie ekonomiczne pacjentów.
Przegląd badań
Status
Rekrutacyjny
Szczegółowy opis
Model AI skonstruowano na podstawie zabarwionych HE patologicznych odcinków pierwotnej zmiany i MRI nosogardzieli i szyi, aby przewidzieć prawdopodobieństwo odległych przerzutów podczas pierwszej wizyty, a model AI został w pełni zweryfikowany na podstawie danych wieloośrodkowych; Model AI zastosowano do pacjentów z T3-4 lub N2-3, których zalecono badanie PET/CT zgodnie z wytycznymi NCCN i CSCO, a próg modelu AI, gdy ujemna wartość predykcyjna dla przewidywania M0 była nie mniejsza niż 95% ustalono, zapewniając teoretyczne wsparcie dla pacjentów przewidywanych przez AI, którzy zostaną zwolnieni z badania PET/CT.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
500
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Pu-Yun OuYang
- Numer telefonu: +8618565382769
- E-mail: ouyangpy@sysucc.org.cn
Lokalizacje studiów
-
-
Guangdong
-
Guangzhou, Guangdong, Chiny, 510060
- Rekrutacyjny
- Sun Yat-sen University Cancer Center
-
Kontakt:
- Pu-Yun OuYang
- Numer telefonu: +86 18565382769
- E-mail: ouyangpy@sysucc.org.cn
-
Kontakt:
- Pu-Yun OuYang
- E-mail: ouyangpy@sysucc.org.cn
-
Guangzhou, Guangdong, Chiny, 510060
- Jeszcze nie rekrutacja
- Department of Radiation Oncology, Sun Yat-sen University Cancer Center
-
Kontakt:
- Pu-Yun OuYang
- Numer telefonu: 86+020-87342925
- E-mail: ouyangpy@sysucc.org.cn
-
Kontakt:
- Pu-Yun OuYang
-
-
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
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Pacjenci z patologicznie potwierdzonym rakiem nosogardzieli
Opis
Kryteria włączenia:
A. Pierwotna zmiana została patologicznie potwierdzona jako rak nosowo -gardłowy (klasyfikacja WHO wynosi I, II i III); B. Etap był T3-4 lub N2-3, a skanowanie MRI Nosofarynx + Szyja MRI i wzmocnionego skanu przeprowadzono w celu potwierdzenia zmian węzłów chłonnych nosowo-gardła i szyjki macicy oraz badanie PET/CT lub konwencjonalne badanie (Chest CT Plain Scan + wzmocniony + wzmocniony skan + Skanowanie, górna część brzucha CT lub MRI Plain Skan + wzmocniony skan lub kolor brzuszny Doppler Ultrasound lub ultradźwięki Angiografię i obrazowanie kości całego ciała) przeprowadzono w celu przeglądu odległych przerzutów.
Kryteria wykluczenia:
Poprzednia historia innych nowotworów złośliwych (takich jak inne raki płaskonabłonkowe głowy i szyi, rak tarczycy, rak piersi, rak przełyku itp.).
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 |
|---|
|
Kohorta prospektywna walidacji
Prospektywna liczba zapisów pacjenta w celu potwierdzenia skuteczności diagnostycznej modelu AI
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ujemna wartość predykcyjna
Ramy czasowe: poprzez zakończenie badania, średnio 2 lata
|
NPV mierzy odsetek przewidywanych negatywnych przypadków, które są faktycznie ujemne.
Mówi nam, jak niezawodny jest model, gdy przewiduje negatywny wynik.
|
poprzez zakończenie badania, średnio 2 lata
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czułość, swoistość i pozytywna wartość predykcyjna
Ramy czasowe: poprzez zakończenie badania, średnio 2 lata
|
Czułość, swoistość i dodatnia wartość predykcyjna AI w przewidywaniu odległych przerzutów przy progu odpowiadającym ujemnej wartości predykcyjnej 95%.
|
poprzez zakończenie badania, średnio 2 lata
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Współpracownicy
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- OuYang PY, He Y, Guo JG, Liu JN, Wang ZL, Li A, Li J, Yang SS, Zhang X, Fan W, Wu YS, Liu ZQ, Zhang BY, Zhao YN, Gao MY, Zhang WJ, Xie CM, Xie FY. Artificial intelligence aided precise detection of local recurrence on MRI for nasopharyngeal carcinoma: a multicenter cohort study. EClinicalMedicine. 2023 Aug 30;63:102202. doi: 10.1016/j.eclinm.2023.102202. eCollection 2023 Sep.
- Zhong L, Dong D, Fang X, Zhang F, Zhang N, Zhang L, Fang M, Jiang W, Liang S, Li C, Liu Y, Zhao X, Cao R, Shan H, Hu Z, Ma J, Tang L, Tian J. A deep learning-based radiomic nomogram for prognosis and treatment decision in advanced nasopharyngeal carcinoma: A multicentre study. EBioMedicine. 2021 Aug;70:103522. doi: 10.1016/j.ebiom.2021.103522. Epub 2021 Aug 11.
- Qiang M, Li C, Sun Y, Sun Y, Ke L, Xie C, Zhang T, Zou Y, Qiu W, Gao M, Li Y, Li X, Zhan Z, Liu K, Chen X, Liang C, Chen Q, Mai H, Xie G, Guo X, Lv X. A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma. J Natl Cancer Inst. 2021 May 4;113(5):606-615. doi: 10.1093/jnci/djaa149.
- Lin L, Dou Q, Jin YM, Zhou GQ, Tang YQ, Chen WL, Su BA, Liu F, Tao CJ, Jiang N, Li JY, Tang LL, Xie CM, Huang SM, Ma J, Heng PA, Wee JTS, Chua MLK, Chen H, Sun Y. Deep Learning for Automated Contouring of Primary Tumor Volumes by MRI for Nasopharyngeal Carcinoma. Radiology. 2019 Jun;291(3):677-686. doi: 10.1148/radiol.2019182012. Epub 2019 Mar 26.
- OuYang PY, Zhang BY, Guo JG, Liu JN, Li J, Peng QH, Yang SS, He Y, Liu ZQ, Zhao YN, Li A, Wu YS, Hu XF, Chen C, Han F, You KY, Xie FY. Deep learning-based precise prediction and early detection of radiation-induced temporal lobe injury for nasopharyngeal carcinoma. EClinicalMedicine. 2023 Apr 4;58:101930. doi: 10.1016/j.eclinm.2023.101930. eCollection 2023 Apr.
- Sun XS, Liu SL, Luo MJ, Li XY, Chen QY, Guo SS, Wen YF, Liu LT, Xie HJ, Tang QN, Liang YJ, Yan JJ, Lin DF, Bi MM, Liu Y, Liang YF, Ma J, Tang LQ, Mai HQ. The Association Between the Development of Radiation Therapy, Image Technology, and Chemotherapy, and the Survival of Patients With Nasopharyngeal Carcinoma: A Cohort Study From 1990 to 2012. Int J Radiat Oncol Biol Phys. 2019 Nov 1;105(3):581-590. doi: 10.1016/j.ijrobp.2019.06.2549. Epub 2019 Jul 15.
- Tang LQ, Chen QY, Fan W, Liu H, Zhang L, Guo L, Luo DH, Huang PY, Zhang X, Lin XP, Mo YX, Liu LZ, Mo HY, Li J, Zou RH, Cao Y, Xiang YQ, Qiu F, Sun R, Chen MY, Hua YJ, Lv X, Wang L, Zhao C, Guo X, Cao KJ, Qian CN, Zeng MS, Mai HQ. Prospective study of tailoring whole-body dual-modality [18F]fluorodeoxyglucose positron emission tomography/computed tomography with plasma Epstein-Barr virus DNA for detecting distant metastasis in endemic nasopharyngeal carcinoma at initial staging. J Clin Oncol. 2013 Aug 10;31(23):2861-9. doi: 10.1200/JCO.2012.46.0816. Epub 2013 Jul 15. Erratum In: J Clin Oncol. 2016 Feb 10;34(5):519. doi: 10.1200/jco.2015.66.3427.
- Xiao BB, Lin DF, Sun XS, Zhang X, Guo SS, Liu LT, Luo DH, Sun R, Wen YF, Li JB, Lv XF, Han LJ, Yuan L, Liu SL, Tang QN, Liang YJ, Li XY, Guo L, Chen QY, Fan W, Mai HQ, Tang LQ. Nomogram for the prediction of primary distant metastasis of nasopharyngeal carcinoma to guide individualized application of FDG PET/CT. Eur J Nucl Med Mol Imaging. 2021 Jul;48(8):2586-2598. doi: 10.1007/s00259-020-05128-8. Epub 2021 Jan 8.
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 (Szacowany)
15 lutego 2025
Zakończenie podstawowe (Szacowany)
31 grudnia 2026
Ukończenie studiów (Szacowany)
31 grudnia 2026
Daty rejestracji na studia
Pierwszy przesłany
14 lutego 2025
Pierwszy przesłany, który spełnia kryteria kontroli jakości
14 lutego 2025
Pierwszy wysłany (Rzeczywisty)
25 marca 2025
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
25 marca 2025
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
21 lutego 2025
Ostatnia weryfikacja
1 lutego 2025
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
- Choroby Stomatognatyczne
- Procesy patologiczne
- Nowotwory według lokalizacji
- Nowotwory
- Nowotwory według typu histologicznego
- Nowotwory głowy i szyi
- Nowotwory gruczołowe i nabłonkowe
- Procesy Nowotworowe
- Rak
- Choroby otorynolaryngologiczne
- Nowotwory gardła
- Nowotwory otorynolaryngologiczne
- Choroby jamy nosowo-gardłowej
- Choroby gardła
- Nowotwory jamy nosowo-gardłowej
- Rak jamy nosowo-gardłowej
- Przerzuty nowotworu
Inne numery identyfikacyjne badania
- B2025-062-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Opis planu IPD
Poszczególne dane uczestników (IPD) mogą nie być udostępniane z powodu obaw dotyczących prywatności pacjenta, rozważań etycznych lub polityk instytucjonalnych.
Ograniczenia mogą również wynikać z przepisów dotyczących ochrony danych, umów poufności lub potencjalnego ryzyka ponownej identyfikacji.
Ponadto, jeśli dane zawierają poufne informacje medyczne, udostępnianie może wymagać specjalnych zatwierdzeń lub procesów identyfikacji, które nie są możliwe.
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 .