AI-ассистированная система для точной диагностики и прогноза филлодных опухолей молочной железы
Разработка системы на основе искусственного интеллекта для точной диагностики и прогнозирования филлодных опухолей молочной железы
Филлоидная опухоль молочной железы (ПТ) — редкая фиброэпителиальная опухоль, составляющая от 1% до 3% всех опухолей молочной железы, классифицированная ВОЗ на доброкачественные, пограничные и злокачественные, на основании гистопатологических особенностей, таких как границы опухоли, стромальная клеточность, стромальная атипия. , митотическая активность и избыточный рост стромы. Злокачественные ПТ составляют 18-25%, с высокой частотой местных рецидивов (до 65%) и частотой отдаленных метастазов (16-25%). Доброкачественный ПТ может перерасти в злокачественный после множественных рецидивов. Таким образом, ранняя, точная диагностика и определение терапевтических целей имеют решающее значение для улучшения результатов и показателей выживаемости.
В последние годы растет интерес к применению искусственного интеллекта (ИИ) в медицинской диагностике. ИИ может интегрировать клиническую информацию, гистопатологические изображения и данные мультиомики, чтобы помочь в патологической и клинической диагностике, прогнозировании прогноза и молекулярном профилировании. ИИ показал многообещающие результаты в различных областях, включая диагностику различных видов рака, таких как колоректальный рак, рак молочной железы. рак и рак простаты. Однако ПТ отличается от рака молочной железы диагностикой и подходом к лечению. Поэтому создание системы на основе искусственного интеллекта для точной диагностики и оценки прогноза ПТ имеет решающее значение для персонализированной медицины.
Исследовательская группа, возглавляемая доктором Не Яном, является одной из немногих в провинции Гуандун и даже на национальном уровне, специализирующейся на исследованиях ФТ. Их команда проводила исследования злокачественного прогрессирования, механизмов метастазирования и молекулярных маркеров ПТ. Команда определила ключевые механизмы, такие как дифференцировка фибробластов в миофибробласты, а также роль опухолеассоциированных макрофагов в продвижении этой дифференцировки. Они также идентифицировали молекулярные маркеры, в том числе миР-21, α-SMA, CCL18 и CCL5, которые более точны в прогнозировании риска рецидива опухоли по сравнению с традиционной гистопатологической оценкой.
В рамках проекта были собраны высококачественные данные почти от тысячи пациентов с ПТ молочной железы, включая данные визуализации, гистопатологии и выживаемости, а также проведено секвенирование генов транскриптома на образцах тканей. Они стремятся создать комплексную мультиомную базу данных для ФТ молочной железы и создать модель на основе искусственного интеллекта для ранней диагностики и прогнозирования прогноза. Это исследование может улучшить диагностику и лечение ФТ молочной железы, устранить различия в уходе за ФТ молочной железы в разных регионах Китая и внести вклад в разработку новых терапевтических целей.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Тип исследования
Регистрация (Оцененный)
Контакты и местонахождение
Контакты исследования
- Имя: Yan Nie, Prof.Dr.
- Номер телефона: +86 020-81332587
- Электронная почта: nieyan7@mail.sysu.edu.cn
Места учебы
-
-
Guangdong
-
Guangzhou, Guangdong, Китай, 510120
- Рекрутинг
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Контакт:
- Yan Nie, Prof.Dr.
- Номер телефона: +86 020-81332587
- Электронная почта: nieyan7@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Китай, 510050
- Рекрутинг
- Sun Yat-sen University Cancer Center
-
Контакт:
- Feng Ye, Prof.Dr.
- Номер телефона: 15914388994
-
Guangzhou, Guangdong, Китай, 510145
- Рекрутинг
- The Third Affiliated Hospital of Guangzhou Medical University
-
Контакт:
- Hui Mai, Prof.Dr.
- Номер телефона: 13925129112
-
Guangzhou, Guangdong, Китай, 511400
- Рекрутинг
- Guangdong Maternal and Child Health Hospital
-
Контакт:
- Yu Tan, Prof.Dr.
- Номер телефона: 13632356526
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Пациенты с диагнозом листовидная опухоль молочной железы
Критерий исключения:
- Размытые изображения, артефакты изображения.
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Филлоидная опухоль молочной железы
Пациенты с диагнозом листовидная опухоль молочной железы
|
Материалы для медицинской визуализации пациентов, включая УЗИ, маммографию, КТ, МРТ.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Чувствительность
Временное ограничение: Пять лет
|
Вероятность положительного результата теста при условии, что он действительно положительный.
|
Пять лет
|
|
Ложноотрицательный показатель
Временное ограничение: Пять лет
|
Определите вероятность отрицательного результата теста в положительной популяции.
|
Пять лет
|
|
Специфика
Временное ограничение: Пять лет
|
Вероятность отрицательного результата теста зависит от истинно отрицательного результата.
|
Пять лет
|
|
Ложноположительный показатель
Временное ограничение: Пять лет
|
Определите вероятность положительного результата теста в отрицательной популяции.
|
Пять лет
|
|
Кривая рабочих характеристик приемника
Временное ограничение: Пять лет
|
Кривая ROC представляет собой кривую, основанную на ряде различных дихотомических классификаций (пороговые значения или пороги принятия решения), с частотой истинных положительных результатов (чувствительность) в качестве вертикальной координаты и частотой ложных положительных результатов (1-специфичность) в качестве горизонтальная координата.
|
Пять лет
|
|
Площадь под кривой рока
Временное ограничение: Пять лет
|
AUC определяется как площадь под кривой ROC, обведенной осями, и чем ближе AUC к 1,0, тем более аутентичным является анализ.
|
Пять лет
|
Соавторы и исследователи
Публикации и полезные ссылки
Общие публикации
- Belkacemi Y, Bousquet G, Marsiglia H, Ray-Coquard I, Magne N, Malard Y, Lacroix M, Gutierrez C, Senkus E, Christie D, Drumea K, Lagneau E, Kadish SP, Scandolaro L, Azria D, Ozsahin M. Phyllodes tumor of the breast. Int J Radiat Oncol Biol Phys. 2008 Feb 1;70(2):492-500. doi: 10.1016/j.ijrobp.2007.06.059. Epub 2007 Oct 10.
- Mishra SP, Tiwary SK, Mishra M, Khanna AK. Phyllodes tumor of breast: a review article. ISRN Surg. 2013;2013:361469. doi: 10.1155/2013/361469. Epub 2013 Mar 20.
- Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019 Nov;16(11):703-715. doi: 10.1038/s41571-019-0252-y. Epub 2019 Aug 9.
- van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14.
- Wang Y, Acs B, Robertson S, Liu B, Solorzano L, Wahlby C, Hartman J, Rantalainen M. Improved breast cancer histological grading using deep learning. Ann Oncol. 2022 Jan;33(1):89-98. doi: 10.1016/j.annonc.2021.09.007. Epub 2021 Sep 29.
- Chow ZL, Thike AA, Li HH, Nasir NDM, Yeong JPS, Tan PH. Counting Mitoses With Digital Pathology in Breast Phyllodes Tumors. Arch Pathol Lab Med. 2020 Nov 1;144(11):1397-1400. doi: 10.5858/arpa.2019-0435-OA.
- Cheng CL, Md Nasir ND, Ng GJZ, Chua KWJ, Li Y, Rodrigues J, Thike AA, Heng SY, Koh VCY, Lim JX, Hiew VJN, Shi R, Tan BY, Tay TKY, Ravi S, Ng KH, Oh KSL, Tan PH. Artificial intelligence modelling in differentiating core biopsies of fibroadenoma from phyllodes tumor. Lab Invest. 2022 Mar;102(3):245-252. doi: 10.1038/s41374-021-00689-0. Epub 2021 Nov 24.
- Kates-Harbeck J, Svyatkovskiy A, Tang W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature. 2019 Apr;568(7753):526-531. doi: 10.1038/s41586-019-1116-4. Epub 2019 Apr 17.
- Gong C, Nie Y, Qu S, Liao JY, Cui X, Yao H, Zeng Y, Su F, Song E, Liu Q. miR-21 induces myofibroblast differentiation and promotes the malignant progression of breast phyllodes tumors. Cancer Res. 2014 Aug 15;74(16):4341-52. doi: 10.1158/0008-5472.CAN-14-0125. Epub 2014 Jun 30.
- Nie Y, Chen J, Huang D, Yao Y, Chen J, Ding L, Zeng J, Su S, Chao X, Su F, Yao H, Hu H, Song E. Tumor-Associated Macrophages Promote Malignant Progression of Breast Phyllodes Tumors by Inducing Myofibroblast Differentiation. Cancer Res. 2017 Jul 1;77(13):3605-3618. doi: 10.1158/0008-5472.CAN-16-2709. Epub 2017 May 16.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Оцененный)
Обновления учебных записей
Последнее опубликованное обновление (Оцененный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- SYSKY-2023-351-02
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .