Analiza głębokiego uczenia się Patologia raka jelita grubego Obrazy: innowacyjne podejście do przewidywania podtypów raka jelita grubego
13 kwietnia 2025 zaktualizowane przez: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Kopilotowie zasilane AI do diagnozy precyzyjnej i oceny chirurgicznej wzorców wzrostu histologicznego w przerzutach do resekcyjnej jeździe w wątrobie: badanie prospektywne
Rak jelita grubego (CRC) jest główną przyczyną śmiertelności w Chinach, przy czym przerzuty znacząco przyczyniają się do złych wyników.
Histopatologiczne wzorce wzrostu (HGPS) w przerzutach jeździeckich (CRLM) zapewniają istotne spostrzeżenia prognostyczne, ale ograniczona liczba patologów podkreśla potrzebę pomocniczych narzędzi diagnostycznych.
Ostatnie postępy w sztucznej inteligencji (AI) wykazały potencjał w zwiększaniu precyzji diagnostycznej, co skłoniło opracowanie wyspecjalizowanych modeli AI, takich jak kawa w celu poprawy klasyfikacji i zarządzania HGPS u pacjentów z CRLM.
To badanie ma na celu opracowanie i potwierdzenie modelu głębokiego uczenia się opartego na transformatorze, kawy, do klasyfikacji podtypów raka jelita grubego z wykorzystaniem obrazów pełnego slajdu (WSIS) od pacjentów ze zdiagnozowanym przerzutem do wątroby raka jelita grubego.
Model jest wstępnie wyszkolony przy użyciu uczenia się samozadowolenia (DINO) na WSIS z kohorty TCGA-Coad, wykorzystując architekturę transformatora widzenia (VIT) do wydobywania 384-wymiarowych wektorów cech z łatek 256 × 256 pikseli.
Model kawy integruje oparte na transformatorze ramy uczenia się wielokrotnego instancji (transmisja), zawierające moduły generatora kodowania samozaparcia wielowłókienowego i kodowania pozycji piramidy (PPEG) w celu agregowania informacji przestrzennych i morfologicznych.
Badanie obejmuje szkolenia, testy i prospektywne kohorty walidacji i ocenia wydajność modelu zarówno w binarnych, jak i wieloklasowych warunkach klasyfikacyjnych, a także potencjał pomocy patologom w klinicznych przepływach pracy.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
431
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Guangdong
-
Guangzhou, Guangdong, Chiny, 510655
- Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University
-
-
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
W badaniu wzięło udział 431 pacjentów z przerzutami do raka jelita grubego, wszyscy przechodzą operację w szóstym powiązanym szpitalu Sun Yat-Sen University.
Kohorta składała się z 297 pacjentów w zestawie szkoleniowym i 104 pacjentów w zestawie testowym.
Opis
Kryteria włączenia:
- Pacjenci ze zdiagnozowanym przerzuty do raka jelita grubego (CRLM) poddawane leczeniu chirurgicznym;
- Maksymalna średnica wyciętych zmian przerzutowych powinna wynosić ≥ 2 cm;
- Dostępność slajdów patologii wraz z podstawowymi cechami klinicznymi, biologicznymi i patologicznymi.
Kryteria wykluczenia:
- Skrawki tkankowe uzyskane z próbek biopsji;
- Brak żywej tkanki nowotworowej w zmianach przerzutowych;
- Zmiany wcześniej leczone ablacją, a następnie resekcję chirurgiczną, co powoduje nieodpowiednią jakość slajdu tkankowego.
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 |
|---|---|
|
Patologia chirurgiczna zjeżdża z Sahsysu, 1994 WSI z 297 slajdów z 3 lipca 2013 r.
Grupa ta obejmuje 297 pacjentów z przerzutami do wątroby raka jelita grubego (CRLM), z których zebrano 1994 obrazy całego slajdu (WSIS).
Slajdy te wykorzystano do opracowywania i testowania modelu kawy AI do klasyfikacji wzorca wzrostu histopatologicznego (HGP), zapewniając cenne spostrzeżenia w charakterystyce i rokowania guza.
|
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby.
Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM.
Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.
|
|
Patologia chirurgiczna przesuwa się z SAHSYSU, 972 WSIS z 104 pacjentów z 21 kwietnia 2023 r.
Ta kohorta zawiera 104 pacjentów zdiagnozowanych CRLM.
972 WSIS zebrano w celu potwierdzenia modelu kawy na najnowszym zestawie danych, oceniając wydajność modelu zarówno w binarnych, jak i czterech klasie HGP.
|
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby.
Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM.
Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.
|
|
Patologia chirurgiczna przesuwa się z SAHSYSU, 114 WSI od 30 pacjentów z 2024 r.
Ta potencjalna kohorta składa się z 30 pacjentów z CRLM, z których w 2024 r. Uzyskano 114 WSI.
Kohortę zastosowano do oceny zastosowania klinicznego modelu AI kawy poprzez prospektywne badanie, porównując wydajność diagnostyczną patologów z pomocą AI i bez nich.
|
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby.
Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM.
Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność klasyfikacji (%) modelu AI kawy w binarnej identyfikacji wzorców wzrostu histopatologicznego (HGPS) w CRLM przy użyciu obrazów całego zjeżdżalni
Ramy czasowe: 6 miesięcy po operacji (dla potencjalnej kohorty)
|
Ten wynik mierzy dokładność klasyfikacji diagnostycznej modelu AI kawy w wykrywaniu histopatologicznych wzorców wzrostu (HGPS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM).
Dokładność definiuje się jako odsetek prawidłowo przewidywanych etykiet HGP w porównaniu z etykietami prawdy naziemnej określone przez konsensus ekspertów patologów.
Analiza obejmuje klasyfikację binarną (desmoplastyczne vs. nie-desmoplastyczne).
Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%.
Wynik zostanie oceniony za pomocą cyfrowych obrazów pełnego slajdu uzyskanych z próbek przerzutów wątroby zebranych podczas operacji.
Wydajność modelu zostanie oceniona 6 miesięcy po operacji w prospektywnej kohorcie walidacyjnej.
|
6 miesięcy po operacji (dla potencjalnej kohorty)
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność klasyfikacji (%) modelu AI kawy w wielu klasach identyfikacji histopatologicznych wzorców wzrostu (HGPS) w CRLM za pomocą obrazów zjeżdżalni
Ramy czasowe: 6 miesięcy po operacji (dla potencjalnej kohorty)
|
Ten wynik mierzy dokładność klasyfikacji diagnostycznej modelu AI kawy w wykrywaniu histopatologicznych wzorców wzrostu (HGPS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM).
Dokładność definiuje się jako odsetek prawidłowo przewidywanych etykiet HGP w porównaniu z etykietami prawdy naziemnej określone przez konsensus ekspertów patologów.
Analiza obejmuje klasyfikację czteroklasową (desmoplastyczna, zastępcza, pchania i mieszana).
Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%.
Wynik zostanie oceniony za pomocą cyfrowych obrazów pełnego slajdu uzyskanych z próbek przerzutów wątroby zebranych podczas operacji.
Wydajność modelu zostanie oceniona 6 miesięcy po operacji w prospektywnej kohorcie walidacyjnej.
|
6 miesięcy po operacji (dla potencjalnej kohorty)
|
Inne miary wyników
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Przeżycie wolne od progresji (PFS, w miesiącach) u pacjentów z przerzutami do raka jelita grubego (CRLM) stratyfikowanymi przez klasyfikację histopatologicznego wzorca wzrostu opartego na AI (HGP)
Ramy czasowe: Do 3 lat po operacji
|
Wynik ten ocenia związek między klasyfikacją HGP opartą na AI (desmoplastyczna i nieodsprzeplastyczna) a przeżyciem wolnym od progresji (PFS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM) po resekcji intensywnej.
PFS jest definiowany jako czas od operacji po postęp choroby lub śmierć z jakiejkolwiek przyczyny.
Analiza Kaplana-Meiera zostanie wykorzystana do oszacowania PFS dla każdej grupy HGP, z porównaniami za pomocą testu log-rank.
Modele regresji wielowymiarowej Cox ocenią wartość prognostyczną HGPS, dostosowując się do zmiennych towarzyszących klinicznych (np. Wiek, płeć, liczba/wielkość przerzutów, chemioterapia, stan marginesu, wynik obciążenia guza).
Zgłoszone zostaną wskaźniki ryzyka z 95% przedziałami ufności.
W razie potrzeby założenia modelu zostaną przetestowane i dostosowane.
|
Do 3 lat po operacji
|
|
Całkowite przeżycie (OS, w miesiącach) w przerzutach do raka jelita grubego (CRLM) pacjentów stratyfikowanych przez klasyfikację histopatologicznego wzorca wzrostu (HGP) oparty na AI (HGP)
Ramy czasowe: Do 3 lat po operacji
|
Wynik ten ocenia związek między klasyfikacją HGP opartą na AI (desmoplastyczna i nieodsprzeplastyczna) a ogólnym przeżyciem (OS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM) po resekcji leczniczej.
OS jest definiowany jako czas od operacji do śmierci z jakiejkolwiek przyczyny.
Analiza Kaplana-Meiera zostanie wykorzystana do oszacowania OS dla każdej grupy HGP, z porównaniami za pomocą testu log-rank.
Modele regresji wielowymiarowej Cox ocenią wartość prognostyczną HGPS, dostosowując się do zmiennych towarzyszących klinicznych (np. Wiek, płeć, liczba/wielkość przerzutów, chemioterapia, stan marginesu, wynik obciążenia guza).
Zgłoszone zostaną wskaźniki ryzyka z 95% przedziałami ufności.
W razie potrzeby założenia modelu zostaną przetestowane i dostosowane.
|
Do 3 lat po operacji
|
|
Czas na diagnozę (w ciągu kilku minut) przez patologów z modelem kawy wspomaganym przez AI w klasyfikacji HGP CRLM
Ramy czasowe: W prospektywnym okresie próbnym (6 miesięcy)
|
Wynik ten ocenia wpływ modelu kawy wspomaganego przez AI na wydajność diagnostyczną poprzez porównanie czasu wymaganego przez patologów w celu sklasyfikowania histopatologicznych wzorców wzrostu (HGPS) przerzutów do wątroby raka jelita grubego (CRLM), z pomocą i bez pomocy kawy.
Metryka to czas (minuty) od rozpoczęcia przeglądu slajdów do ostatecznej diagnozy, mierzonej dla każdego patologa przy użyciu znormalizowanej cyfrowej platformy obrazu całego slajdu.
Porównanie obejmuje dwa ramiona: ramię diagnozy wspomagane przez AI, w którym młodsi patologowie używają kawy jako narzędzia wsparcia decyzyjnego, a także konwencjonalne ramię diagnozy, w którym patolodzy wykonują ręczną klasyfikację opartą na wizualnej ocenie histopatologicznej.
Wszyscy uczestnicy sprawdzają ten sam zestaw slajdów w losowej kolejności, a czas diagnostyczny jest rejestrowany przez oprogramowanie do przeglądania.
Zgłoszono statystyki opisowe (mediana, IQR).
|
W prospektywnym okresie próbnym (6 miesięcy)
|
|
Dokładność diagnostyczna (odsetek prawidłowych klasyfikacji) patologów z modelem kawy wspomaganym przez AI w klasyfikacji HGP CRLM
Ramy czasowe: W prospektywnym okresie próbnym (6 miesięcy)
|
Ten wynik ocenia dokładność diagnostyczną patologów w klasyfikacji wzorców wzrostu histopatologicznego (HGPS) przerzutów do raka jelita grubego (CRLM), porównując wspomagane AI w porównaniu z konwencjonalnymi warunkami diagnostycznymi.
Dokładność definiuje się jako odsetek prawidłowo sklasyfikowanych obrazów na całym slajdzie (WSIS) w stosunku do diagnozy konsensusowej ze złotym standardem przez ekspertów patologów przewodu pokarmowego.
Każdy patolog niezależnie sklasyfikuje ten sam zestaw CRLM WSIS w dwóch warunkach: z AI Assistance (model kawy) i bez pomocy AI (ocena ręczna).
Klasyfikacja zostanie oceniona dla obu binarnych kategorii HGP (desmoplastyczna vs. nieodesmoplastyczna), jak i czteroklasowe kategorie HGP (desmoplastyczne, zastępcze, pchanie, mieszane).
Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%.
|
W prospektywnym okresie próbnym (6 miesięcy)
|
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)
22 maja 2023
Zakończenie podstawowe (Rzeczywisty)
6 marca 2024
Ukończenie studiów (Rzeczywisty)
6 marca 2024
Daty rejestracji na studia
Pierwszy przesłany
3 kwietnia 2025
Pierwszy przesłany, który spełnia kryteria kontroli jakości
13 kwietnia 2025
Pierwszy wysłany (Rzeczywisty)
20 kwietnia 2025
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
20 kwietnia 2025
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
13 kwietnia 2025
Ostatnia weryfikacja
1 kwietnia 2025
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2023ZSLYEC-256
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
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 .