- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05151718
Abordagem Multiômica para Radiorresistência de Ependimomas em Crianças e Adolescentes (EPENDYMOMICS)
Ependimômica: Abordagem Multiômica para Radiorresistência de Ependimomas em Crianças e Adolescentes
O tratamento do ependimoma infantil, o segundo tumor cerebral pediátrico mais frequente, baseia-se em cirurgia e radioterapia. No entanto, 50% recidiva, principalmente localmente. O progresso em imagem, biologia molecular e balística de radioterapia nos levou a propor o projeto EPENDYMOMICS, uma abordagem multi-ômica usando inteligência artificial para detectar as características preditivas de recaída e definir alvos inovadores de radioterapia usando imagens multimodais. Relatamos anteriormente que os locais de recidiva estão localizados principalmente na zona de radioterapia de alta dose e que parece haver fatores prognósticos para recidiva com base em anormalidades anatômicas e funcionais na RM por difusão e perfusão. Além disso, estudos recentes em biologia molecular identificaram fatores prognósticos significativos. O desafio agora é usar e correlacionar todos esses achados em coortes maiores para combater a radiorresistência dessa doença.
Nosso objetivo é reunir em um único banco de dados chamado NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) os dados clínicos, histológicos, biológicos, de imagem e radioterapia de dois estudos consecutivos que incluíram 370 crianças e adolescentes com ependimoma desde 2000 na França. O projeto EPENDYMOMICS incluirá uma equipe de pesquisa clínica, três equipes de pesquisa de imagem, duas equipes de histopatologia e uma equipe de bioestatística trabalhando no NETSPARE. Nosso objetivo é obter uma assinatura radiogenômica de nossos dados, que será validada com a coorte externa inglesa de 200 pacientes que está sendo analisada atualmente. A perspectiva é otimizar as indicações e os volumes de irradiação que poderão futuramente ser utilizados em um ensaio europeu de pesquisa translacional para combater a radiorresistência.
Visão geral do estudo
Status
Condições
Descrição detalhada
A resistência ao tratamento nos levou a realizar o estudo nacional PEPPI (Pediatric Ependymoma Photons Protons and Imaging). O PEPPI coletou dados clínicos, de imagem e dosimetria de crianças com ependimoma intracraniano tratadas na França entre 2000 e 2013. Desde então, os pacientes são tratados no atual programa prospectivo SIOP II Ependymoma. Nossos resultados clínicos confirmaram os fatores prognósticos clínicos clássicos, incluindo a dose de radioterapia, e mostramos que os biomarcadores de imagem de T2/FLAIR, perfusão e difusão MRI foram novos fatores prognósticos. Relatamos que a recidiva após RT ocorre principalmente localmente na região de alta dose. O valor prognóstico da dose e a alta taxa de recaída com a dose padrão nos levaram a realizar um estudo de dosimetria in silico de escalonamento de dose comparando fótons e prótons, confirmando a viabilidade dessa abordagem. Na série PEPPI, a previsão do local da recidiva com RM avançada não foi possível devido à pequena amostra de dados de imagem e a recente classificação biomolecular não estava disponível. Recentemente, o perfil de metilação do DNA forneceu uma nova classificação de ependimoma em subgrupos moleculares com forte valor prognóstico.
O projeto EPENDYMOMICS visa determinar o papel prognóstico da imagem multimodal, identificar clusters radiorresistentes preditivos de recidiva e analisar a ligação entre características radiômicas e marcadores genômicos, levando a um estudo radiogenômico. Ele se baseará em um banco de dados com um número maior de pacientes chamado NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) para desenvolver uma abordagem radiômica, ou seja, prever desfechos clínicos com base em recursos quantitativos extraídos de imagens médicas usando métodos artesanais ou algoritmos automatizados de extração de recursos. Estas características serão exploradas e combinadas com outras variáveis disponíveis (clínicas, genéticas, etc.) como melhor suporte à decisão.
Coleta de dados RM: Diagnóstico, FU até recidiva (formato DICOM)
- Sequências: T1W, T2W, FLAIR, T1W com e sem realce de contraste, imagem ponderada por difusão (DWI), imagem ponderada por perfusão (PWI) Radioterapia: tomografia computadorizada, RTDOSE, RTSS, RTPLAN (formato DICOM RT) Clínica: idade, cirurgia, quimioterapia, doses, efeitos tardios, data da recaída Histologia: Lâminas de histopatologia coradas com Hematoxilina e Eosina (H&E) Biologia Molecular: Grupos de metilação RELA, YAP, PFA e PFB
Verificação da qualidade dos dados e delimitação do volume de interesse para selecionar os dados antes do pós-processamento e análise.
Para garantir uma segmentação preliminar robusta da imagem, o conjunto de estruturas de radioterapia será verificado para cada paciente. O radiologista responsável confirmará todas as alterações de imagem após a RT. Um oncologista especialista em radiação segmentará volumes de anormalidades pós-tratamento em T1WI pós-contraste, em imagens T2W/FLAIR, bem como local de recidiva e OARs ausentes.
Pós-processamento dos dados de imagem e análise das alterações após a radioterapia Processaremos o DWI e o PWI com o Olea Sphere®3.0 software, uma solução de pós-processamento para scanners de ressonância magnética e tomografia computadorizada. Extrairemos e geraremos mapas de Coeficiente de Difusão Aparente a partir de dados DWI calculados com base em voxel por voxel e mapas relativos de volume sanguíneo cerebral calculados a partir de dados PWI com uma rotina de decomposição de valor singular de índice de oscilação e correção para efeitos de vazamento ponderados em T1.
Todos os dados de RM serão estritamente co-registrados com o T1WI-PC e TC de planejamento.
Harmonização radiômica Faremos o aumento do nível de harmonização de imagens e/ou feições extraídas em bases de dados altamente heterogêneas devido a suas múltiplas fontes.
Desenvolveremos uma estrutura baseada em GAN, traduzindo imagens heterogêneas para corresponder às propriedades de um conjunto de dados padrão, como uma imagem de modelo de referência ou, alternativamente, um conjunto de imagens escolhido como referência. Precisamos determinar as propriedades relevantes nas imagens (métrica local ou global, textura, bordas, contraste, relação sinal-ruído, etc.) .
No espaço de recursos, várias abordagens estatísticas podem ser aplicadas, como normalização ou compensação de efeito de lote. O ComBat demonstrou superar outras abordagens semelhantes e contaremos com a estimativa de Monte Carlo para pequenas amostras. Investigaremos a combinação dos métodos de correção de lotes com agrupamento não supervisionado para lidar com dados que apresentam heterogeneidade muito alta e um número muito pequeno de amostras por lote.
Pode ser benéfico e complementar combinar metodologias de harmonização baseadas em imagens e características para melhorar os resultados de estudos radiômicos multicêntricos. Avaliaremos o potencial benefício agregado de ambas as abordagens desenvolvidas anteriormente na melhoria dos resultados. O objetivo desta tarefa será estabelecer se a primeira ou a segunda abordagem (ou a combinação de ambas) é a mais eficiente, levando em consideração não apenas a melhora absoluta observada nos resultados, mas também o tempo de computação e o esforço necessários para implementar cada abordagem na prática.
Análise biomolecular Recursos biológicos de coortes de pacientes com ependimoma PEPPI e SIOPII serão incluídos. Primeiro, o diagnóstico de ependimomas intracranianos será confirmado e, em seguida, as características patológicas serão investigadas.
Classificação de ependimomas da OMS 2020: o cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) decidiu classificar os ependimomas de acordo com a localização e a alteração genética subjacente. A classificação atual da OMS está em revisão.
Estudos biológicos necessários para classificar o ependimoma intracraniano do projeto:
Imuno-histoquímica: p65-RelA, H3K27Me3. Análise FISH (classificação e variações do número de cópias). Perfil de metilação do DNA. Análise de RNAseq.
Aprendizagem profunda (DL) para biomarcadores moleculares de ependimoma Para esse fim, a equipe da Zimmer projetou e treinou redes neurais convolucionais profundas com base na arquitetura Inception V3 para distinguir ependimoma de glioma graus III e IV. Os resultados preliminares baseados em um conjunto de dados de imagem indicam uma alta precisão de discriminação e sugerem a possibilidade de prever mutações clinicamente relevantes apenas a partir de imagens de H&E (manuscrito em preparação).
Vamos estender essas abordagens DL para prever a resistência à terapia e metástase. Isso será feito usando apenas as imagens de histopatologia como entrada ou em combinação com classificações baseadas em ensaios moleculares. A nível técnico, usaremos arquiteturas de redes neurais profundas de última geração baseadas em camadas convolucionais e conexões de salto. Para compensar o tamanho moderado do conjunto de dados de treinamento, faremos uso intenso de aprendizado por transferência. Aqui, faremos uso específico do banco de dados TGCA, que contém imagens de cânceres muito diferentes, como câncer de mama, e adaptaremos modelos bem-sucedidos retreinando um subconjunto dos dados de ependimoma adquiridos neste estudo. Também adotaremos representações de imagem multiescala para uma melhor exploração da informação da imagem em níveis celulares e teciduais, usaremos normalização de cores específicas de H&E e métodos para eliminação automatizada de regiões sujeitas a artefatos de imagem. Também iremos incorporar os métodos desenvolvidos no Imjoy. Ao desacoplar a interface gráfica do usuário do back-end computacional, ele permite que os usuários acessem recursos de computação de ponta a partir de qualquer estação de trabalho ou laptop.
Análise estatística Várias assinaturas serão desenvolvidas e validadas: uma assinatura radiômica (RAD-Score), uma assinatura radiômica e clínica (RADClin-Score), uma assinatura molecular (MOL-score) e uma assinatura global (assinatura radiômica, molecular e clínica) .
- RAD-Score associado à sobrevida livre de progressão (PFS). Para evitar vieses, o NETSPARE construído a partir de um estudo multicêntrico retrospectivo, incluindo coortes independentes, é uma coorte de treinamento. A coorte de validação para testar o desempenho da assinatura radiômica corresponde à coorte do Reino Unido do Programa SIOP II (n=220). Esta divisão permite a validação externa.
Coorte de treinamento: a PFS mediana é estimada em 5 anos na literatura. Isso corresponde a uma PFS de 3,5 anos de 62%. Com 370 pacientes e seguimento médio de 3,5 anos, esperamos pelo menos 120 eventos. De acordo com a regra prática que recomenda 10 eventos por variável de interesse, um modelo multiparamétrico combinando 10 variáveis pode ser treinado. Uma estratégia de modelagem alternativa baseada em uma abordagem penalizada será usada para estudar a associação entre parâmetros de imagem e PFS. Como os dados de biomarcadores de imagem excedem em muito o tamanho da amostra e são intercorrelacionados, métodos penalizados (anteriormente usados em diferentes situações com dados espaciais) serão usados para a regularização e seleção de variáveis, estimulando o efeito de agrupamento e selecionando variáveis explicativas.
Coorte de validação: são esperados 66 eventos. Com esse número de eventos, é possível detectar com 80% de poder uma taxa de risco de 0,5 entre o grupo de baixo e alto risco (teste de Logrank bilateral 0,05).
Dados demográficos: Variáveis contínuas serão resumidas por coorte usando mediana, mínimo, máximo e número de observações disponíveis. As variáveis qualitativas serão resumidas usando contagens, porcentagens e número de dados ausentes. A comparação entre as coortes será realizada usando o teste qui-quadrado (ou teste exato de Fisher, se aplicável) para variáveis qualitativas e o teste de Mann-Whitney para variáveis quantitativas.
- Desenvolvimento e validação de assinatura radiômica: Para estudar a associação entre características de imagem e PFS, usaremos uma estratégia de modelagem alternativa baseada no modelo de regressão de Cox penalizado. O método Elastic Net encoraja o efeito de agrupamento e seleciona variáveis explicativas. Faremos uma validação cruzada de 10 vezes para selecionar o melhor parâmetro de penalidade lambda. O parâmetro de mistura α, outro parâmetro do método Elastic net, será definido para um valor padrão de 0,5. Os coeficientes de regressão associados a cada estado das diferentes variáveis serão usados para determinar o escore RAD. Como o resultado depende do tempo, o escore de risco será dicotomizado usando uma curva ROC dependente do tempo para obter um classificador (grupos de risco: prognóstico ruim x intermediário x bom). O limite ideal foi determinado para obter em 3 anos uma sensibilidade de pelo menos 80% e a melhor especificidade.
Uma validação de intervalo será realizada usando uma validação cruzada leave k-out. Em seguida, aplicaremos a assinatura de pontuação RAD à coorte de validação. Os desempenhos do escore serão avaliados usando diferentes critérios: monotonicidade da estratificação prognóstica avaliada por meio de curvas de sobrevivência de Kaplan-Meier e estimativa de Hazard Ratio (HR), discriminação avaliada por Harrell's C-Index e estatísticas D, qualidade do modelo e a proporção de variação explicada estimada pelo Critério de Informação de Akaike (AIC) e pela estatística RD², respectivamente. A capacidade do escore prognóstico para identificar pacientes com alto risco de recidiva durante os primeiros 3 anos será avaliada pela determinação da sensibilidade, especificidade e valor preditivo usando uma curva ROC dependente do tempo.
- Desenvolvimento e validação do RADClin-Score: Para incorporar informações clínicas e de imagem, combinaremos dados clínicos de baixa dimensão e de imagem de alta dimensão em um modelo de previsão global. Primeiro, vamos ignorar completamente os recursos de imagem. Um modelo de Cox será ajustado para identificar covariáveis clínicas associadas à PFS. Construiremos um preditor linear clínico usando um coeficiente de regressão. Em seguida, usaremos o Elastic Net com o preditor linear clínico em offset para identificar recursos de imagem. Finalmente, calcularemos o RADClin-Score usando um coeficiente de regressão. Traçaremos um diagrama de Venn para comparar a seleção de recursos com o RADClin-Score e o RAD-Score. Vamos comparar o modelo usando os diferentes critérios apresentados anteriormente.
Tipo de estudo
Inscrição (Antecipado)
Contactos e Locais
Contato de estudo
- Nome: Anne LAPRIE, PU-PH
- Número de telefone: + 33 (0)5 31 15 50 50
- E-mail: laprie.anne@iuct-oncopole.fr
Estude backup de contato
- Nome: Fatima TENSAOUTI, phD
- Número de telefone: + 33 (0)5 31 15 50 50
- E-mail: tensaouti.fatima@iuct-oncopole.fr
Locais de estudo
-
-
-
Toulouse, França, 31059
- Recrutamento
- Institut Claudius Regaud
-
Contato:
- Anne LAPRIE
- Número de telefone: +33(0)531155050
- E-mail: laprie.anne@iuct-oncopole.fr
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- crianças com ependimoma intracraniano
- tratado
- incluído no estudo PEPPI, pediaRT ou no programa francês SIOP II Ependymoma
Critério de exclusão:
- N / D
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Modelos de observação: Coorte
- Perspectivas de Tempo: Retrospectivo
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Definição de assinaturas radiogenômicas que são preditivas do resultado do paciente
Prazo: 30 meses
|
O endpoint primário é a sobrevida livre de progressão (PFS), ou seja, o tempo desde o diagnóstico até a progressão ou morte por qualquer causa.
Os pacientes vivos no último acompanhamento são censurados nesta data.
|
30 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Definição de novos volumes-alvo de RT com base em características radiômicas e escolha de suas indicações com base em fatores prognósticos biomoleculares
Prazo: 30 meses
|
Vários índices serão usados para avaliar a capacidade discriminante: Harrell's C-Index e as estatísticas D, Akaike Information Criterion (AIC) e a estatística RD²
|
30 meses
|
Predizer a resistência à terapia usando os dados histológicos em formato digital e os dados biomoleculares para análise por métodos baseados em redes neurais profundas artificiais.
Prazo: 30 meses
|
Vários índices serão usados para avaliar a capacidade discriminante: Harrell's C-Index e as estatísticas D, Akaike Information Criterion (AIC) e a estatística RD²
|
30 meses
|
Colaboradores e Investigadores
Publicações e links úteis
Publicações Gerais
- Heagerty PJ, Zheng Y. Survival model predictive accuracy and ROC curves. Biometrics. 2005 Mar;61(1):92-105. doi: 10.1111/j.0006-341X.2005.030814.x.
- Louis DN, Perry A, Reifenberger G, von Deimling A, Figarella-Branger D, Cavenee WK, Ohgaki H, Wiestler OD, Kleihues P, Ellison DW. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol. 2016 Jun;131(6):803-20. doi: 10.1007/s00401-016-1545-1. Epub 2016 May 9.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Muracciole X, Coche-Dequeant B, Alapetite C, Bernier V, Claude L, Supiot S, Huchet A, Kerr C, le Prise E, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Patterns of failure after radiotherapy for pediatric patients with intracranial ependymoma. Radiother Oncol. 2017 Mar;122(3):362-367. doi: 10.1016/j.radonc.2016.12.025. Epub 2017 Jan 12.
- Ducassou A, Padovani L, Chaltiel L, Bolle S, Habrand JL, Claude L, Carrie C, Muracciole X, Coche-Dequeant B, Alapetite C, Supiot S, Demoor-Goldschmidt C, Bernier-Chastagner V, Huchet A, Leseur J, Le Prise E, Kerr C, Truc G, Nguyen TD, Bertozzi AI, Frappaz D, Boetto S, Sevely A, Tensaouti F, Laprie A; Pediatric French Radiation Oncologist Group (GFRP) and the French Society of Children With Cancer (SFCE). Pediatric Localized Intracranial Ependymomas: A Multicenter Analysis of the Societe Francaise de lutte contre les Cancers de l'Enfant (SFCE) from 2000 to 2013. Int J Radiat Oncol Biol Phys. 2018 Sep 1;102(1):166-173. doi: 10.1016/j.ijrobp.2018.05.036. Epub 2018 May 24.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Muracciole X, Coche-Dequant B, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Payoux P, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Prognostic and predictive values of diffusion and perfusion MRI in paediatric intracranial ependymomas in a large national study. Br J Radiol. 2016 Oct;89(1066):20160537. doi: 10.1259/bjr.20160537. Epub 2016 Aug 23.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Padovani L, Jouin A, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Kerr C, Le Prise E, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Laprie A; French Society for Childhood Cancer (SFCE). Imaging biomarkers of outcome after radiotherapy for pediatric ependymoma. Radiother Oncol. 2018 Apr;127(1):103-107. doi: 10.1016/j.radonc.2018.02.008. Epub 2018 Mar 2.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Habrand JL, Alapetite C, Coche-Dequeant B, Bernier V, Claude L, Carrie C, Padovani L, Muracciole X, Supiot S, Huchet A, Leseur J, Kerr C, Hangard G, Lisbona A, Goudjil F, Ferrand R, Laprie A. Feasibility of Dose Escalation in Patients With Intracranial Pediatric Ependymoma. Front Oncol. 2019 Jun 21;9:531. doi: 10.3389/fonc.2019.00531. eCollection 2019.
- Pajtler KW, Mack SC, Ramaswamy V, Smith CA, Witt H, Smith A, Hansford JR, von Hoff K, Wright KD, Hwang E, Frappaz D, Kanemura Y, Massimino M, Faure-Conter C, Modena P, Tabori U, Warren KE, Holland EC, Ichimura K, Giangaspero F, Castel D, von Deimling A, Kool M, Dirks PB, Grundy RG, Foreman NK, Gajjar A, Korshunov A, Finlay J, Gilbertson RJ, Ellison DW, Aldape KD, Merchant TE, Bouffet E, Pfister SM, Taylor MD. The current consensus on the clinical management of intracranial ependymoma and its distinct molecular variants. Acta Neuropathol. 2017 Jan;133(1):5-12. doi: 10.1007/s00401-016-1643-0. Epub 2016 Nov 17.
- Da-Ano R, Visvikis D, Hatt M. Harmonization strategies for multicenter radiomics investigations. Phys Med Biol. 2020 Dec 17;65(24):24TR02. doi: 10.1088/1361-6560/aba798.
- Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007 Jan;8(1):118-27. doi: 10.1093/biostatistics/kxj037. Epub 2006 Apr 21.
- Chen C, Grennan K, Badner J, Zhang D, Gershon E, Jin L, Liu C. Removing batch effects in analysis of expression microarray data: an evaluation of six batch adjustment methods. PLoS One. 2011 Feb 28;6(2):e17238. doi: 10.1371/journal.pone.0017238.
- Da-Ano R, Masson I, Lucia F, Dore M, Robin P, Alfieri J, Rousseau C, Mervoyer A, Reinhold C, Castelli J, De Crevoisier R, Ramee JF, Pradier O, Schick U, Visvikis D, Hatt M. Performance comparison of modified ComBat for harmonization of radiomic features for multicenter studies. Sci Rep. 2020 Jun 24;10(1):10248. doi: 10.1038/s41598-020-66110-w.
- Louis DN, Wesseling P, Aldape K, Brat DJ, Capper D, Cree IA, Eberhart C, Figarella-Branger D, Fouladi M, Fuller GN, Giannini C, Haberler C, Hawkins C, Komori T, Kros JM, Ng HK, Orr BA, Park SH, Paulus W, Perry A, Pietsch T, Reifenberger G, Rosenblum M, Rous B, Sahm F, Sarkar C, Solomon DA, Tabori U, van den Bent MJ, von Deimling A, Weller M, White VA, Ellison DW. cIMPACT-NOW update 6: new entity and diagnostic principle recommendations of the cIMPACT-Utrecht meeting on future CNS tumor classification and grading. Brain Pathol. 2020 Jul;30(4):844-856. doi: 10.1111/bpa.12832. Epub 2020 Apr 19.
- Parker M, Mohankumar KM, Punchihewa C, Weinlich R, Dalton JD, Li Y, Lee R, Tatevossian RG, Phoenix TN, Thiruvenkatam R, White E, Tang B, Orisme W, Gupta K, Rusch M, Chen X, Li Y, Nagahawhatte P, Hedlund E, Finkelstein D, Wu G, Shurtleff S, Easton J, Boggs K, Yergeau D, Vadodaria B, Mulder HL, Becksfort J, Gupta P, Huether R, Ma J, Song G, Gajjar A, Merchant T, Boop F, Smith AA, Ding L, Lu C, Ochoa K, Zhao D, Fulton RS, Fulton LL, Mardis ER, Wilson RK, Downing JR, Green DR, Zhang J, Ellison DW, Gilbertson RJ. C11orf95-RELA fusions drive oncogenic NF-kappaB signalling in ependymoma. Nature. 2014 Feb 27;506(7489):451-5. doi: 10.1038/nature13109. Epub 2014 Feb 19. Erratum In: Nature. 2014 Apr 24;508(7497):554. Becksford, Jared [corrected to Becksfort, Jared].
- Panwalkar P, Clark J, Ramaswamy V, Hawes D, Yang F, Dunham C, Yip S, Hukin J, Sun Y, Schipper MJ, Chavez L, Margol A, Pekmezci M, Chung C, Banda A, Bayliss JM, Curry SJ, Santi M, Rodriguez FJ, Snuderl M, Karajannis MA, Saratsis AM, Horbinski CM, Carret AS, Wilson B, Johnston D, Lafay-Cousin L, Zelcer S, Eisenstat D, Silva M, Scheinemann K, Jabado N, McNeely PD, Kool M, Pfister SM, Taylor MD, Hawkins C, Korshunov A, Judkins AR, Venneti S. Immunohistochemical analysis of H3K27me3 demonstrates global reduction in group-A childhood posterior fossa ependymoma and is a powerful predictor of outcome. Acta Neuropathol. 2017 Nov;134(5):705-714. doi: 10.1007/s00401-017-1752-4. Epub 2017 Jul 21.
- Pajtler KW, Witt H, Sill M, Jones DT, Hovestadt V, Kratochwil F, Wani K, Tatevossian R, Punchihewa C, Johann P, Reimand J, Warnatz HJ, Ryzhova M, Mack S, Ramaswamy V, Capper D, Schweizer L, Sieber L, Wittmann A, Huang Z, van Sluis P, Volckmann R, Koster J, Versteeg R, Fults D, Toledano H, Avigad S, Hoffman LM, Donson AM, Foreman N, Hewer E, Zitterbart K, Gilbert M, Armstrong TS, Gupta N, Allen JC, Karajannis MA, Zagzag D, Hasselblatt M, Kulozik AE, Witt O, Collins VP, von Hoff K, Rutkowski S, Pietsch T, Bader G, Yaspo ML, von Deimling A, Lichter P, Taylor MD, Gilbertson R, Ellison DW, Aldape K, Korshunov A, Kool M, Pfister SM. Molecular Classification of Ependymal Tumors across All CNS Compartments, Histopathological Grades, and Age Groups. Cancer Cell. 2015 May 11;27(5):728-43. doi: 10.1016/j.ccell.2015.04.002.
- Pajtler KW, Wen J, Sill M, Lin T, Orisme W, Tang B, Hubner JM, Ramaswamy V, Jia S, Dalton JD, Haupfear K, Rogers HA, Punchihewa C, Lee R, Easton J, Wu G, Ritzmann TA, Chapman R, Chavez L, Boop FA, Klimo P, Sabin ND, Ogg R, Mack SC, Freibaum BD, Kim HJ, Witt H, Jones DTW, Vo B, Gajjar A, Pounds S, Onar-Thomas A, Roussel MF, Zhang J, Taylor JP, Merchant TE, Grundy R, Tatevossian RG, Taylor MD, Pfister SM, Korshunov A, Kool M, Ellison DW. Molecular heterogeneity and CXorf67 alterations in posterior fossa group A (PFA) ependymomas. Acta Neuropathol. 2018 Aug;136(2):211-226. doi: 10.1007/s00401-018-1877-0. Epub 2018 Jun 16.
- Siegfried A, Rousseau A, Maurage CA, Pericart S, Nicaise Y, Escudie F, Grand D, Delrieu A, Gomez-Brouchet A, Le Guellec S, Franchet C, Boetto S, Vinchon M, Sol JC, Roux FE, Rigau V, Bertozzi AI, Jones DTW, Figarella-Branger D, Uro-Coste E. EWSR1-PATZ1 gene fusion may define a new glioneuronal tumor entity. Brain Pathol. 2019 Jan;29(1):53-62. doi: 10.1111/bpa.12619. Epub 2018 Jul 13.
- Siegfried A, Masliah-Planchon J, Roux FE, Larrieu-Ciron D, Pierron G, Nicaise Y, Gambart M, Catalaa I, Pericart S, Dubucs C, Mohand-Oumoussa B, Tirode F, Bourdeaut F, Uro-Coste E. Brain tumor with an ATXN1-NUTM1 fusion gene expands the histologic spectrum of NUTM1-rearranged neoplasia. Acta Neuropathol Commun. 2019 Dec 30;7(1):220. doi: 10.1186/s40478-019-0870-8. No abstract available.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Coudray N, Ocampo PS, Sakellaropoulos T, Narula N, Snuderl M, Fenyo D, Moreira AL, Razavian N, Tsirigos A. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 2018 Oct;24(10):1559-1567. doi: 10.1038/s41591-018-0177-5. Epub 2018 Sep 17.
- Vahadane A, Peng T, Sethi A, Albarqouni S, Wang L, Baust M, Steiger K, Schlitter AM, Esposito I, Navab N. Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images. IEEE Trans Med Imaging. 2016 Aug;35(8):1962-71. doi: 10.1109/TMI.2016.2529665. Epub 2016 Apr 27.
- Ouyang W, Mueller F, Hjelmare M, Lundberg E, Zimmer C. ImJoy: an open-source computational platform for the deep learning era. Nat Methods. 2019 Dec;16(12):1199-1200. doi: 10.1038/s41592-019-0627-0. No abstract available.
- Moons KG, Altman DG, Vergouwe Y, Royston P. Prognosis and prognostic research: application and impact of prognostic models in clinical practice. BMJ. 2009 Jun 4;338:b606. doi: 10.1136/bmj.b606. No abstract available.
- Deist TM, Dankers FJWM, Valdes G, Wijsman R, Hsu IC, Oberije C, Lustberg T, van Soest J, Hoebers F, Jochems A, El Naqa I, Wee L, Morin O, Raleigh DR, Bots W, Kaanders JH, Belderbos J, Kwint M, Solberg T, Monshouwer R, Bussink J, Dekker A, Lambin P. Machine learning algorithms for outcome prediction in (chemo)radiotherapy: An empirical comparison of classifiers. Med Phys. 2018 Jul;45(7):3449-3459. doi: 10.1002/mp.12967. Epub 2018 Jun 13. Erratum In: Med Phys. 2019 Feb;46(2):1080-1087.
- Cozzi L, Dinapoli N, Fogliata A, Hsu WC, Reggiori G, Lobefalo F, Kirienko M, Sollini M, Franceschini D, Comito T, Franzese C, Scorsetti M, Wang PM. Radiomics based analysis to predict local control and survival in hepatocellular carcinoma patients treated with volumetric modulated arc therapy. BMC Cancer. 2017 Dec 6;17(1):829. doi: 10.1186/s12885-017-3847-7.
- Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015 Jan 7;350:g7594. doi: 10.1136/bmj.g7594.
- Royston P, Sauerbrei W. A new measure of prognostic separation in survival data. Stat Med. 2004 Mar 15;23(5):723-48. doi: 10.1002/sim.1621.
- De Bin R, Sauerbrei W, Boulesteix AL. Investigating the prediction ability of survival models based on both clinical and omics data: two case studies. Stat Med. 2014 Dec 30;33(30):5310-29. doi: 10.1002/sim.6246. Epub 2014 Jul 9.
- Laprie A, Ken S, Filleron T, Lubrano V, Vieillevigne L, Tensaouti F, Catalaa I, Boetto S, Khalifa J, Attal J, Peyraga G, Gomez-Roca C, Uro-Coste E, Noel G, Truc G, Sunyach MP, Magne N, Charissoux M, Supiot S, Bernier V, Mounier M, Poublanc M, Fabre A, Delord JP, Cohen-Jonathan Moyal E. Dose-painting multicenter phase III trial in newly diagnosed glioblastoma: the SPECTRO-GLIO trial comparing arm A standard radiochemotherapy to arm B radiochemotherapy with simultaneous integrated boost guided by MR spectroscopic imaging. BMC Cancer. 2019 Feb 21;19(1):167. doi: 10.1186/s12885-019-5317-x.
- Khalifa J, Tensaouti F, Lotterie JA, Catalaa I, Chaltiel L, Benouaich-Amiel A, Gomez-Roca C, Noel G, Truc G, Peran P, Berry I, Sunyach MP, Charissoux M, Johnson C, Cohen-Jonathan Moyal E, Laprie A. Do perfusion and diffusion MRI predict glioblastoma relapse sites following chemoradiation? J Neurooncol. 2016 Oct;130(1):181-192. doi: 10.1007/s11060-016-2232-8. Epub 2016 Aug 8.
- Laprie A, Catalaa I, Cassol E, McKnight TR, Berchery D, Marre D, Bachaud JM, Berry I, Moyal EC. Proton magnetic resonance spectroscopic imaging in newly diagnosed glioblastoma: predictive value for the site of postradiotherapy relapse in a prospective longitudinal study. Int J Radiat Oncol Biol Phys. 2008 Mar 1;70(3):773-81. doi: 10.1016/j.ijrobp.2007.10.039.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Antecipado)
Conclusão do estudo (Antecipado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Estimativa)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 21 HLTETE 01
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Tumor Sólido Pediátrico
-
Sorrento Therapeutics, Inc.RetiradoTumor Sólido | Tumor Sólido Recidivante | Tumor Refratário
-
Aadi Bioscience, Inc.RecrutamentoTumor Sólido Avançado | Tumor | Tumor SólidoEstados Unidos
-
Memorial Sloan Kettering Cancer CenterRecrutamentoTumor Sólido | Tumor Sólido, Adulto | Tumor Sólido, Não Especificado, AdultoEstados Unidos
-
Memorial Sloan Kettering Cancer CenterLincoln Medical and Mental Health CenterRecrutamentoTumor Sólido | Tumor Sólido, Adulto | Tumor Sólido, Não Especificado, AdultoEstados Unidos, Porto Rico
-
Memorial Sloan Kettering Cancer CenterLincoln Medical and Mental Health CenterRecrutamentoTumor Sólido | Tumor Sólido, Adulto | Tumor Sólido, Não Especificado, AdultoEstados Unidos, Porto Rico
-
RemeGen Co., Ltd.ConcluídoTumor Sólido Metastático | Tumor Sólido Localmente Avançado | Tumor sólido irressecávelAustrália
-
Yonsei UniversityMerck KGaA, Darmstadt, GermanyAtivo, não recrutandoTumor de Mutação Positiva PD-L1 | Tumor de Mutação Positiva EBV | Tumor Mutação MSI-H | Tumor de mutação POLE/POLD1Republica da Coréia
-
National Health Research Institutes, TaiwanNational Cheng-Kung University HospitalRecrutamento
-
Elpiscience Biopharma, Ltd.Shanghai Junshi Bioscience Co., Ltd.RecrutamentoNeoplasias | Tumor Sólido | Tumor malignoChina
-
Baodong QinRecrutamento