Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Продвинутая классификация опухолей толстой кишки по данным КТ-сканирования с использованием глубокого обучения для оптимизации принятия решений о лечении. (DeepColScan)

6 февраля 2026 г. обновлено: Assistance Publique - Hôpitaux de Paris

Передовая классификация опухолей толстой кишки по данным КТ с использованием глубокого обучения для оптимизации принятия решений о лечении : многоцентровое исследование

Данное исследование направлено на улучшение классификации опухолей толстой кишки с использованием моделей глубокого обучения, обученных на КТ-сканах, в частности, на разграничение стадий T1-T2 и T3-T4, а также на выявление поражения лимфатических узлов N- и N+. Эта классификация имеет решающее значение для определения предоперационного лечения, такого как химиотерапия или иммунотерапия. Учитывая ограниченную точность радиологов в текущей практике стадирования, автоматизированные инструменты ИИ на основе изображений могут повысить диагностическую точность и воспроизводимость, что приведет к более персонализированному и эффективному планированию лечения. Исследователь разработает и проверит модели глубокого обучения на основе сверточных и трансформерных архитектур, используя большой аннотированный набор данных из нескольких центров. Второстепенные цели включают детальное стадирование (от T1 до T4), модели для конкретных подгрупп (MSS против MSI) и прогностические модели для хирургического

Обзор исследования

Статус

Еще не набирают

Условия

Подробное описание

Это ретроспективное, неинтервенционное, обсервационное исследование, оценивающее использование методов глубокого обучения для улучшения предоперационного КТ-стадирования TNM у пациентов с раком толстой кишки. Исследование проводится на нескольких площадках в рамках госпитальной сети AP-HP (Париж, Франция) и использует данные, извлеченные из институционального Хранилища медицинских данных.

Радиологическая точность оценки стадии опухоли (T) и статуса лимфатических узлов (N) остается ограниченной, несмотря на критическую важность для выбора неоадъювантного лечения. Модели искусственного интеллекта, обученные на аннотированных данных визуализации, могут обеспечить более последовательную, воспроизводимую и точную классификацию.

Когорта исследования включает взрослых пациентов, перенесших резекцию толстой кишки в период с января 2017 года по ноябрь 2024 года, с предоперационным КТ-сканированием и соответствующим патологическим заключением. Подходящие случаи идентифицируются с использованием стандартизированных диагностических (МКБ-10) и процедурных (CCAM) кодов. Данные визуализации и клинические данные обезличиваются перед анализом.

Будут протестированы несколько архитектур моделей ИИ, включая трехмерные сверточные нейронные сети и подходы на основе трансформеров. КТ-сканы будут предварительно обработаны с использованием стандартных конвейеров; патологические метки будут извлечены с использованием методов обработки естественного языка (NLP) или ручной проверки при необходимости. Производительность модели будет оценена с помощью перекрестной проверки и проанализирована с использованием AUC, F1-оценки, чувствительности и специфичности.

Разведочные анализы будут включать детальное стадирование опухоли и потенциальную прогностическую ценность признаков, основанных на изображениях, для клинических исходов, таких как выживаемость.

Исследовательские процедуры не проводятся. Все анализы выполняются на существующих данных в соответствии с французскими нормами защиты данных и этическими правилами.

Тип исследования

Наблюдательный

Регистрация (Оцененный)

1000

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Контакты исследования

  • Имя: Quentin Vanderbecq, MD
  • Номер телефона: 00 33 1 49 28 20 00
  • Электронная почта: quentin.vanderbecq@aphp.fr

Учебное резервное копирование контактов

  • Имя: Mathilde WAGNER, MD,PhD
  • Номер телефона: 00 33 1 49 28 20 00
  • Электронная почта: mathilde.wagner@aphp.fr

Места учебы

  • Франция
      • Paris, Франция, 75012
        • Departement of radiology, saint Antoin Hospital

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Невероятностная выборка

Исследуемая популяция

Взрослые (≥18 лет) с патологически подтвержденным раком толстой кишки, перенесшие хирургическую резекцию в участвующих больницах и имеющие доступную предоперационную торако-абдомино-тазовую КТ, выполненную в учреждении и связанную с патологическим отчетом, содержащим стадирование по системе TNM, в течение 90 дней после операции. Изображения и отчеты извлечены из институционального хранилища данных; неоднозначные или отсутствующие метки разрешены путем ручного медицинского обзора.

Описание

Критерии включения:

Взрослые, перенесшие операцию по резекции толстой кишки в больнице AP-HP в период с 01.01.2017 по 01.11.2024, при наличии:

Предоперационной КТ брюшной полости и таза, выполненной в течение 60 дней до операции.

Соответствующего патологоанатомического заключения (анатомопатологических результатов), доступного в течение 90 дней после операции.

Резекция толстой кишки, идентифицированная по кодам процедур CCAM:

HHFA002, HHFA004, HHFA005, HHFA006, HHFA008, HHFA009, HHFA010, HHFA014, HHFA017, HHFA018, HHFA021, HHFA022, HHFA023, HHFA024, HHFA026, HHFA028, HHFA029, HHFA030, HHFA031, HHFC040, HHFC296.

Подтвержденный диагноз опухоли толстой кишки по коду МКБ-10:

C18* (новообразования ободочной кишки).

Критерии исключения:

Пациенты, получившие неоадъювантную химиотерапию до операции, идентифицированные по кодам МКБ-10 Z511 или Z512, зарегистрированным до хирургического вмешательства.

Эти исключения будут уточнены и подтверждены путем ручного просмотра медицинских записей для обеспечения точности.

Отсутствие пригодных для использования данных КТ-изображений или анатомической патологии, связанных с хирургическим событием.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Когорты и вмешательства

Группа / когорта
Группа валидации транса

Взрослые с патологически подтверждённым раком толстой кишки, прошедшие предоперационную торако-абдомино-тазовую КТ и последующую колэктомию в участвующих центрах; случаи, соответствующие критериям качества визуализации и патологии, использовались для обучения модели и внутренней перекрёстной валидации.

Анализ КТ с использованием ИИ / глубокого обучения:

Ретроспективный анализ существующих предоперационных КТ-снимков и связанных данных патологии/клинических данных для разработки и оценки автоматизированных моделей стадирования. Экспериментальные препараты, устройства или процедуры не применяются.
Тестовая группа
Выделенное подмножество (случайно выбранное в начале обучения модели) подходящих случаев рака толстой кишки, исключенное из разработки модели для обеспечения независимой проверки производительности моделей классификации T и N и проведения разведочных вторичных анализов.

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Диагностическая эффективность КТ-моделей глубокого обучения для стадирования T (T1-2 против T3-4) и N (N- против N+).
Временное ограничение: Индекс предоперационной КТ через послеоперационный патологический отчёт (в течение 90 дней после операции).
Площадь под ROC-кривой (AUC) и F1-оценка моделей глубокого обучения при (a) классификации ранней vs продвинутой стадии T (T1-2 vs T3-4) и (b) статусе лимфоузлов (N- vs N+) в сравнении с золотым стандартом патологии. Чувствительность, специфичность, PPV, NPV приведены в качестве вспомогательных метрик; производительность модели сравнивалась с историческими бенчмарками радиологов, когда они были доступны.
Индекс предоперационной КТ через послеоперационный патологический отчёт (в течение 90 дней после операции).

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Эффективность выявления опухолей T4 на предоперативной КТ.
Временное ограничение: Индекс КТ для подтверждения патологии (≤90 дней после операции).
AUC, F1, чувствительность, специфичность для бинарной классификации T4 против не-T4 (T1-3). Анализы стратифицированы по локализации опухоли и фазе контрастирования, когда данные позволяют.
Индекс КТ для подтверждения патологии (≤90 дней после операции).
Точность классификации мультиклассовой T-стадии (T1, T2, T3, T4).
Временное ограничение: Индекс КТ к патологическому подтверждению (≤ 90 дней).
Макроусреднённый F1, чувствительность/специфичность по классам, матрица ошибок и каппа Коэна, сравнивающие 4-классный T-стадиум, предсказанный моделью, с патологией.
Индекс КТ к патологическому подтверждению (≤ 90 дней).
Прогностическая ценность признаков моделей, полученных с помощью КТ, для клинических исходов и выживаемости.
Временное ограничение: От индекса КИ до последнего наблюдения (до 5 лет или максимально доступного наблюдения в ЭМК).
Связь между результатами модели (вероятности, эмбеддинги) и (a) общей выживаемостью, (b) безрецидивной выживаемостью. Оценка проводилась с использованием анализа Каплана-Мейера, лог-ранговых тестов и многомерных моделей Кокса с поправкой на доступные клинические ковариаты.
От индекса КИ до последнего наблюдения (до 5 лет или максимально доступного наблюдения в ЭМК).

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Assistance Publique - Hôpitaux de Paris

Соавторы

Institut National de Recherche en Informatique et en Automatique

Следователи

  • Главный следователь: Quentin Vanderbecq, MD, Assistance Publique - Hôpitaux de Paris

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Оцененный)

1 февраля 2026 г.

Первичное завершение (Оцененный)

1 февраля 2028 г.

Завершение исследования (Оцененный)

1 февраля 2028 г.

Даты регистрации исследования

Первый отправленный

6 февраля 2026 г.

Впервые представлено, что соответствует критериям контроля качества

6 февраля 2026 г.

Первый опубликованный (Действительный)

12 февраля 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

12 февраля 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

6 февраля 2026 г.

Последняя проверка

1 февраля 2025 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • APHP251408

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

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. .

Подписаться