- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06370234
O modelo de previsão da resposta NAC para o câncer de mama com base nos recursos da dinâmica paramétrica.
O modelo de previsão da resposta à quimioterapia neoadjuvante para câncer de mama com base nas características da dinâmica paramétrica das imagens MR-PET e QDS-IR de pré-tratamento e tratamento precoce.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
O câncer de mama é o câncer mais frequentemente diagnosticado e continua sendo a quarta principal causa de mortes por câncer em mulheres de Taiwan na última década. As decisões sobre o melhor tratamento para o câncer de mama são baseadas no resultado do teste do receptor de estrogênio (ER) e progesterona (PR), teste do receptor do fator de crescimento epidérmico humano tipo 2 (HER2) e estadiamento TNM por biópsia. Após a avaliação do estado da menopausa e da resposta de ER, PR e HER2, os tratamentos para o câncer de mama em estágio 2 ou superior podem considerar a quimioterapia neoadjuvante (NAC) pelos benefícios de (1) converter um câncer inoperável em um câncer ressecável cirurgicamente, (2) metástase manejo, (3) reduzir o tumor, (4) melhorar a sobrevida global e a taxa de sobrevida livre de recorrência (5) parâmetros histológicos preditivos. Sabe-se que pacientes com resposta patológica completa (pCR) após NAC estão associados a melhor sobrevida livre de doença e melhor sobrevida global. Portanto, é essencial desenvolver regimes mais eficazes e estratificar os pacientes com base no modelo de predição assistido por computador para avaliar a resposta do NAC.
O objetivo principal deste estudo é desenvolver um modelo de predição auxiliado por computador para resposta ao tratamento NAC. Com base na heterogeneidade da composição paramétrica interna do tumor comumente observada, este estudo utilizará as características histológicas e a resposta ao tratamento para investigar as características da imagem como dados de entrada para prever a resposta ao tratamento usando a tecnologia Deep Learning. Usando esta técnica, a avaliação do tratamento pré-operatório pode ser facilitada pela análise da heterogeneidade do tumor a partir da radiômica dinâmica desenvolvida, e a possibilidade de medicina pessoal pode ser realizada não muito à frente. Nos primeiros dois anos deste estudo usando imagens de DCE-MRI, PET/CT e QDS-IR, planejamos desenvolver os algoritmos de processamento de imagem, incluindo segmentação da região da mama e do tumor, extraindo características da imagem que refletem propriedades angiogênicas e permeabilidade do tumor , que estão altamente correlacionados com a resposta ao tratamento com NAC. Durante o terceiro ano do projeto, as características de morfologia e textura dos primeiros dois anos podem ser combinadas para PET/MRI e o modelo de predição pode ser alcançado de acordo com as características extraídas da extração de características dinâmicas usando imagens longitudinais de PET/MRI. A seguir estão as contribuições esperadas:
Propor novos recursos de dinâmica paramétrica para superar os problemas do método tradicional de limiarização.
Desenvolver algoritmos de segmentação para tecido mamário e região tumoral na ressonância magnética DCE, a fim de melhorar a previsão da resposta ao tratamento.
Desenvolver análise de trajetória para imagem QDS-IR não invasiva. Desenvolver algoritmo de segmentação para volume metabólico do tumor, registrando o limite de captação de PET com o limite do tumor de TC, a fim de melhorar a confiabilidade e reprodutibilidade do recurso morfológico.
Ao combinar técnicas anteriores desenvolvidas para PET/CT e DCE MRI, novos tipos de recursos, nomeadamente os recursos de dinâmica paramétrica de PET/MRI, podem ser servidos como radiômica dinâmica para prever a resposta NAC.
Desenvolver um algoritmo de Deep-Learning, essencial do projeto em termos de metodologia de autoaprendizagem, para explorar o espaço de características de alta dimensão em busca do modelo de predição.
Elegibilidade e inscrição do sujeito Este estudo prospectivo foi aprovado pelo Comitê de Ética Institucional local, que dispensou a exigência de aprovação do paciente e consentimento informado por escrito para a revisão de registros e imagens.
De abril de 2015 a junho de 2019, 60 mulheres com câncer de mama submetidas ao NAC foram examinadas para elegibilidade. Os critérios de elegibilidade foram pacientes que: (a) tinham > 18 anos de idade, (b) com câncer de mama patologicamente confirmado com biópsia por agulha grossa, (c) estavam dispostos a se submeter a NAC, (d) eram elegíveis para cirurgia após NAC, e (e) estavam dispostos a realizar pelo menos dois exames de PET/RM durante o NAC: o primeiro [R0], pré-tratamento; e a segunda [R1], após dois ciclos de quimioterapia (pós-tratamento). Das 60 mulheres, 14 foram excluídas pelos seguintes motivos: (a) metástases à distância encontradas após o primeiro exame (n=1), de modo que não eram elegíveis para cirurgia; (b) pacientes incapazes de realizar dois exames PET/RM sequenciais por motivos pessoais (n=10); (c) os pacientes recusaram mais NAC após o primeiro ciclo (n = 2); e (d) a varredura pós-tratamento não pôde ser realizada devido ao nível elevado de creatinina (n = 1). O fluxograma de inclusão do estudo é apresentado na Figura 1. Todos os pacientes receberam 6 a 8 ciclos de NAC incluindo as seguintes opções. Para pacientes negativos para receptor 2 do fator de crescimento epidérmico humano (HER2), o NAC incluiu o uso concomitante de epirrubicina com ciclofosfamida (baseado em EC) ou epirrubicina com ciclofosfamida seguida de taxanos (docetaxel ou paclitaxel; EC+T). Para pacientes HER2-positivos, os protocolos NAC incluíram o uso concomitante de taxanos com trastuzumabe (baseado em TH), ou um regime concomitante de taxanos e ciclofosfamida seguido de trastuzumabe (EC+TH), ou taxanos com trastuzumabe e pertuzumabe (THP). Um paciente triplo negativo recebeu paclitaxel com afatinibe.
Aquisição de imagens PET/MR Os exames de RM foram realizados em um scanner 3T PET/MR (Biograph mMR, Siemens Healthcare, Erlangen, Alemanha). A varredura intermediária do tratamento foi organizada após dois ciclos de NAC. O último exame foi agendado antes da cirurgia. Os pacientes foram escaneados em decúbito ventral usando uma bobina mamária dedicada de quatro canais (Noras GmbH, Höchberg, Alemanha). Após jejum de pelo menos 6 horas, os pacientes receberam injeção intravenosa de 3,7-5,55 MBq/kg (0,1-0,15 mCi/kg) de 18F-fluorodesoxiglicose (18F-FDG). A varredura PET/MR foi realizada aproximadamente 60 minutos depois. Um PET de mama de 10 minutos foi realizado juntamente com uma ressonância magnética de mama pré-contraste em posição prona. As imagens PET foram reconstruídas com um algoritmo iterativo de subconjunto ordenado e maximização de expectativa (3 iterações, 21 subconjuntos), com um filtro gaussiano pós-reconstrução de 4 mm e uma matriz de imagem de 172 x 172. A correção de atenuação dos dados PET foi obtida usando um mapa de correção de atenuação segmentado com filtro de 4 classes de tecidos (ar, pulmão, gordura, tecidos moles), que foi reconstruído a partir de uma sequência de pulso Dixon MR de 2 pontos.
O protocolo de ressonância magnética de mama pré-constrato incluiu gradiente 2D eco ponderado em T1 (tempo de repetição [TR]/tempo de eco[TE], 500/9,8 ms, ângulo de rotação de 150°, espessura de corte de 3,5 mm; campo de visão da matriz [FOV] 320 × 320), imagens de recuperação de inversão de tau curta ponderada em T2 (STIR) (TR/TE/TI = 3000/78/230 ms, tamanho da matriz 320 × 320, espessura de corte 4,0 mm, matriz FOV 330 × 330 mm), imagens ponderadas por difusão (DWIs) (TR/TE = 7500/83 ms, tamanho da matriz 192 × 77, espessura de corte 4,0 mm, FOV 360 × 1830 mm, valor b = 50, 600 e 1000 seg/ mm2, média = 2) com mapas de coeficiente de difusão aparente (ADC).
Sete imagens dinâmicas com contraste, incluindo uma antes e seis após a administração do agente de contraste, foram adquiridas usando uma sequência de eco gradiente 3D rápida ponderada em T1 e saturada de gordura (FLASH) (TR/TE 4,1/1,5 ms, espessura do corte e intervalo 1,0/0 mm, tamanho da matriz 352 × 282, ângulo de rotação 10°, 146 cortes, FOV 330 × 330 mm) com recuperação de inversão atenuada espectral (SPAIR), cada conjunto levou aproximadamente 60 segundos. A RM-DCE pós-contraste foi iniciada 10 segundos após a injeção intravenosa de 0,1mmol/kg de gadobutrol (Gadovist; Bayer Pharma AG, Berlim, Alemanha) com taxa de injeção de 3 mL/s.
Avaliação histopatológica O tipo e grau histológico foram baseados em relatórios histopatológicos de biópsias guiadas por ultrassom realizadas antes do NAC. As expressões do receptor de estrogênio (ER), receptor de progesterona (PR) e HER2 foram avaliadas por coloração imuno-histoquímica. A positividade de RE e RP foi avaliada por meio do escore de Allred, no qual um escore > 3 foi considerado positivo. Os tumores foram considerados positivos para HER2 se o escore imuno-histoquímico fosse 3+. Nos casos com status duvidoso de HER2 (pontuação 2+) na imuno-histoquímica, foi realizada análise de hibridização in situ fluorescente (FISH) para confirmar o diagnóstico.
Um pCR foi definido como a ausência de câncer invasivo residual, exceto carcinoma ductal in situ (CDIS) na peça cirúrgica da mama após NAC e a ausência de envolvimento de linfonodos axilares, conforme relatado anteriormente por Pinder et al.
Análise de imagens As imagens foram interpretadas por dois radiologistas (YFL e N.C., ambos com 12 anos de experiência em imagens mamárias). A aparência do tumor na ressonância magnética (realce de massa, sem massa) foi avaliada visualmente pelos dois radiologistas. As regiões de interesse (ROIs) foram definidas manualmente selecionando uma região bidimensional abrangendo a maior área transversal de alta intensidade de sinal de realce que diferia do parênquima de fundo normal na quinta série com contraste, evitando parênquima normal e marcação artefatos de clipe. Se o câncer fosse multifocal ou multicêntrico, o ROI era medido na área do tumor de maior tamanho.
Depois que as ROIs do tumor foram segmentadas, as imagens PET e MR, incluindo DWI, e as medições de ROI da imagem do coeficiente de difusão aparente (ADC) foram alinhadas usando as ROIs desenhadas em imagens com contraste dinâmico aprimorado (DCE) usando registro não rígido semiautomático e alinhamento manual onde necessário. As ROIs foram avaliadas simultaneamente em seis fases diferentes de imagens DCE (codificadas como P1 a P6). Os ROIs também foram registrados em outras séries, incluindo DWIs no valor b=1000 seg/mm2, mapa ADC e imagens PET. De cada ROI, seis recursos de textura de primeira ordem e quatro de segunda ordem foram calculados automaticamente. A análise do histograma foi usada para avaliar características texturais de primeira ordem, incluindo média, desvio padrão (DP), mediana, valores dos percentis 5 e 95, curtose e assimetria. Para análise textural de segunda ordem, uma matriz de co-ocorrência de nível de cinza (GLCM) foi usada como matriz pai, e quatro características texturais heterogêneas foram extraídas do GLCM, a saber, entropia de diferença (DiffEntropy), variância de diferença (DiffVariance), contraste e entropia [18]. Esses parâmetros texturais foram calculados utilizando o software protótipo MR Multiparametric Analysis (Siemens Healthcare, Erlangen, Alemanha). Todos os parâmetros de imagem foram avaliados por meio de exames PET/RM realizados antes do tratamento (R0) e no meio do tratamento (R1) e antes da cirurgia (R2).
Tipo de estudo
Inscrição (Real)
Estágio
- Não aplicável
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critério de inclusão:
- (a) tinham > 20 anos de idade,
- (b) com câncer de mama confirmado patologicamente com biópsia por agulha grossa
- (c) estavam dispostos a se submeter ao NAC
- (d) eram elegíveis para cirurgia após NAC
- (e) estavam dispostos a realizar pelo menos três exames de PET/RM durante o NAC: o primeiro [R0], pré-tratamento; e a segunda [R1], após dois ciclos de quimioterapia (pós-tratamento) e antes da cirurgia [R2]
Critério de exclusão:
- (a) metástases à distância ou câncer de mama recorrente.
- (b) incapaz de cumprir o cronograma sequencial de exames PET/MR.
- (c) Função renal prejudicada, CCR>30ml/min.
- (d) Alergia conhecida
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
---|---|
Outro: Varredura PET/MR para pacientes com câncer de mama com quimioterapia neoadjuvante
De abril de 2015 a junho de 2019, foram inscritas mulheres com câncer de mama submetidas à quimioterapia neoadjuvante. Organizados para pelo menos três exames de PET/RM durante o NAC: o primeiro [R0], pré-tratamento; e o segundo[R1], após dois ciclos de quimioterapia (pós-tratamento) e o terceiro [R2] antes da cirurgia. |
Os sujeitos inscritos e participantes deste estudo terão feito PET/MR durante a quimioterapia pré-operatória.
Mas, num procedimento normal, não o terão feito.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Poder de previsão do modelo de resposta patológica completa (pCR)
Prazo: em média quatro meses
|
Comparação de diferentes modelos de predição derivados de MR/PET e QDS-IR em termos de AUCs.
|
em média quatro meses
|
Comparação de modelos na predição de resposta patológica completa (pCR)
Prazo: em média quatro meses
|
Comparação de diferentes modelos de predição derivados de MR/PET e QDS-IR em termos de sensibilidade, especificidade e precisão.
|
em média quatro meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Cadeira de estudo: Yeun-Chung Chang, M.D., PhD., National Taiwan University Hospital
Publicações e links úteis
Publicações Gerais
- Gerlinger M, Rowan AJ, Horswell S, Math M, Larkin J, Endesfelder D, Gronroos E, Martinez P, Matthews N, Stewart A, Tarpey P, Varela I, Phillimore B, Begum S, McDonald NQ, Butler A, Jones D, Raine K, Latimer C, Santos CR, Nohadani M, Eklund AC, Spencer-Dene B, Clark G, Pickering L, Stamp G, Gore M, Szallasi Z, Downward J, Futreal PA, Swanton C. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med. 2012 Mar 8;366(10):883-892. doi: 10.1056/NEJMoa1113205. Erratum In: N Engl J Med. 2012 Sep 6;367(10):976.
- Houssami N, Macaskill P, von Minckwitz G, Marinovich ML, Mamounas E. Meta-analysis of the association of breast cancer subtype and pathologic complete response to neoadjuvant chemotherapy. Eur J Cancer. 2012 Dec;48(18):3342-54. doi: 10.1016/j.ejca.2012.05.023. Epub 2012 Jul 3.
- Yang Z, Tang LH, Klimstra DS. Effect of tumor heterogeneity on the assessment of Ki67 labeling index in well-differentiated neuroendocrine tumors metastatic to the liver: implications for prognostic stratification. Am J Surg Pathol. 2011 Jun;35(6):853-60. doi: 10.1097/PAS.0b013e31821a0696.
- Davnall F, Yip CS, Ljungqvist G, Selmi M, Ng F, Sanghera B, Ganeshan B, Miles KA, Cook GJ, Goh V. Assessment of tumor heterogeneity: an emerging imaging tool for clinical practice? Insights Imaging. 2012 Dec;3(6):573-89. doi: 10.1007/s13244-012-0196-6. Epub 2012 Oct 24.
- Gillies RJ, Schornack PA, Secomb TW, Raghunand N. Causes and effects of heterogeneous perfusion in tumors. Neoplasia. 1999 Aug;1(3):197-207. doi: 10.1038/sj.neo.7900037.
- von Minckwitz G, Rezai M, Loibl S, Fasching PA, Huober J, Tesch H, Bauerfeind I, Hilfrich J, Eidtmann H, Gerber B, Hanusch C, Kuhn T, du Bois A, Blohmer JU, Thomssen C, Dan Costa S, Jackisch C, Kaufmann M, Mehta K, Untch M. Capecitabine in addition to anthracycline- and taxane-based neoadjuvant treatment in patients with primary breast cancer: phase III GeparQuattro study. J Clin Oncol. 2010 Apr 20;28(12):2015-23. doi: 10.1200/JCO.2009.23.8303. Epub 2010 Mar 22.
- Kaufmann M, von Minckwitz G, Bear HD, Buzdar A, McGale P, Bonnefoi H, Colleoni M, Denkert C, Eiermann W, Jackesz R, Makris A, Miller W, Pierga JY, Semiglazov V, Schneeweiss A, Souchon R, Stearns V, Untch M, Loibl S. Recommendations from an international expert panel on the use of neoadjuvant (primary) systemic treatment of operable breast cancer: new perspectives 2006. Ann Oncol. 2007 Dec;18(12):1927-34. doi: 10.1093/annonc/mdm201. Epub 2007 Nov 12.
- Pinker K, Helbich TH, Morris EA. The potential of multiparametric MRI of the breast. Br J Radiol. 2017 Jan;90(1069):20160715. doi: 10.1259/bjr.20160715. Epub 2016 Nov 2. Erratum In: Br J Radiol. 2017 Apr;90(1072):20160715e.
- Yoon HJ, Kim Y, Chung J, Kim BS. Predicting neo-adjuvant chemotherapy response and progression-free survival of locally advanced breast cancer using textural features of intratumoral heterogeneity on F-18 FDG PET/CT and diffusion-weighted MR imaging. Breast J. 2019 May;25(3):373-380. doi: 10.1111/tbj.13032. Epub 2018 Mar 30.
- Wang J, Shih TT, Yen RF. Multiparametric Evaluation of Treatment Response to Neoadjuvant Chemotherapy in Breast Cancer Using Integrated PET/MR. Clin Nucl Med. 2017 Jul;42(7):506-513. doi: 10.1097/RLU.0000000000001684.
- Erratum: Predicting Response to Neoadjuvant Chemotherapy in Patients With Breast Cancer: Combined Statistical Modeling Using Clinicopathological Factors and FDG PET/CT Texture Parameters. Clin Nucl Med. 2021 Jun 1;46(6):525. doi: 10.1097/RLU.0000000000003704. No abstract available.
- Lim I, Noh WC, Park J, Park JA, Kim HA, Kim EK, Park KW, Lee SS, You EY, Kim KM, Byun BH, Kim BI, Choi CW, Lim SM. The combination of FDG PET and dynamic contrast-enhanced MRI improves the prediction of disease-free survival in patients with advanced breast cancer after the first cycle of neoadjuvant chemotherapy. Eur J Nucl Med Mol Imaging. 2014 Oct;41(10):1852-60. doi: 10.1007/s00259-014-2797-4. Epub 2014 Jun 14.
- Hylton NM, Blume JD, Bernreuter WK, Pisano ED, Rosen MA, Morris EA, Weatherall PT, Lehman CD, Newstead GM, Polin S, Marques HS, Esserman LJ, Schnall MD; ACRIN 6657 Trial Team and I-SPY 1 TRIAL Investigators. Locally advanced breast cancer: MR imaging for prediction of response to neoadjuvant chemotherapy--results from ACRIN 6657/I-SPY TRIAL. Radiology. 2012 Jun;263(3):663-72. doi: 10.1148/radiol.12110748.
- Yuan Y, Chen XS, Liu SY, Shen KW. Accuracy of MRI in prediction of pathologic complete remission in breast cancer after preoperative therapy: a meta-analysis. AJR Am J Roentgenol. 2010 Jul;195(1):260-8. doi: 10.2214/AJR.09.3908.
- Choi JH, Kim HA, Kim W, Lim I, Lee I, Byun BH, Noh WC, Seong MK, Lee SS, Kim BI, Choi CW, Lim SM, Woo SK. Early prediction of neoadjuvant chemotherapy response for advanced breast cancer using PET/MRI image deep learning. Sci Rep. 2020 Dec 3;10(1):21149. doi: 10.1038/s41598-020-77875-5.
- Romeo V, Clauser P, Rasul S, Kapetas P, Gibbs P, Baltzer PAT, Hacker M, Woitek R, Helbich TH, Pinker K. AI-enhanced simultaneous multiparametric 18F-FDG PET/MRI for accurate breast cancer diagnosis. Eur J Nucl Med Mol Imaging. 2022 Jan;49(2):596-608. doi: 10.1007/s00259-021-05492-z. Epub 2021 Aug 10.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
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 (Real)
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
- 201412166MINA
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
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 Câncer de mama
-
Turku University HospitalLounais-Suomen SyöpäyhdistysAinda não está recrutandoSobrevivente de cancerFinlândia
-
Roswell Park Cancer InstituteNational Cancer Institute (NCI)RetiradoSobrevivente de cancerEstados Unidos
-
University of Alabama at BirminghamNational Cancer Institute (NCI); Auburn UniversityConcluído
-
Rutgers, The State University of New JerseyNational Cancer Institute (NCI)ConcluídoSobrevivente de cancerEstados Unidos
-
Wake Forest University Health SciencesNational Cancer Institute (NCI)ConcluídoSobrevivente de cancerEstados Unidos, Guam
-
Wake Forest University Health SciencesNational Cancer Institute (NCI); National Institute of Mental Health (NIMH)ConcluídoSobrevivente de cancerEstados Unidos
-
Masonic Cancer Center, University of MinnesotaConcluídoSobrevivente de cancerEstados Unidos
-
Abramson Cancer Center of the University of PennsylvaniaConcluídoPlano de cuidados de sobrevivência LIVESTRONG: coleta contínua de dados e pesquisa de acompanhamentoPaciente com cancerEstados Unidos
-
University of New MexicoNew Mexico State University; University of New Mexico Cancer CenterConcluído
-
Ohio State University Comprehensive Cancer CenterConcluídoSobrevivente de cancerEstados Unidos