Klinisk studie av bildgenomik baserad på maskininlärning för BCIG
Klinisk studie av bildgenomik baserad på maskininlärning för molekylär typning av bröstcancer och riskprediktion (BCIG)
- Identifiera avbildningsegenskaperna hos bröstcancer med olika molekyltyper
- Avslöja sambandet mellan hormonreceptorpositiv/HER2-negativ bröstcancer och bildhistologi, Oncotype Dx recidivpoäng
- Kombinera genomik och bildbehandling för att etablera en prediktiv modell för känsligheten hos HER2-positiv bröstcancer riktad terapi
- Etablera en förutsägelsemodell för avbildningsgenomik för trippelnegativa molekylära subtyper av bröstcancer, och klargör egenskaperna hos avbildningsgenomiken för de terapeutiska målen för varje subtyp
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Forskningsdesign
- Forskning om molekylär typning av bröstcancer baserad på avbildningsegenskaper
- Upprätta en modell för prognoser för återfallsrisk för Luminal bröstcancer
- Etablera HER2-riktad terapikänslighetsprediktionsmodell
- Etablera TNBC molekylär subtyp förutsägelsemodell Forskningsmetoder Forskningsobjekt Denna studie använde en multicenterstudie för att prospektivt registrera bröstcancerpatienter diagnostiserade med patologi. Alla inkluderade patienter hade fullständiga kliniska data, inklusive demografiska egenskaper (kön, ålder, menstruationsstatus och fertilitetshistoria) och patologiska data (histopatologiska data). Stadieindelning, immunhistokemisk status och FISH, genetisk testning registrerar recidivpoäng och genotyp), bilddata, fullständig behandling och uppföljning (om det finns lokalt återfall och metastaser, och tidpunkten för diagnos).
Magnetisk resonansundersökning För att bibehålla jämförbarheten mellan bilderna och minska de systematiska felen väljer varje center en fast MR-enhet för skanning. Bland dem, a. Onkologiska sjukhuset valde att skanna bilder med 3.0T (Siemens Skyra) MR-utrustning. En speciell bröstspole används för att lägga till högupplöst diffusionsvägd skanning och multi-b värde diffusionsvägd skanning före den dynamiska förbättringsskanningen. Dynamiskt förbättrat förvärv i 5 faser med en tidsupplösning på 65s. b. Renji Hospital använder Nederländerna Philips Achieva 3.0 T supraledare MR-skanner, 4-kanals dedikerad bröstfasad array-spole. Skanningssekvenser inkluderar T1WI, T2WI, T2WI fettundertryckning, DWI och DCE-MRI. Kontrastmedlet var Gd-DTPA, med en dos på 0,1 mmol/kg, en injektionshastighet på 2,0 ml/s och ytterligare 20 ml saltlösning tillsattes till röret efter injektion. T1WI-skanningen utfördes först, och 5 tidsfaser skannades kontinuerligt efter injektionen av kontrastmedel, och varje tidsfas separerades med 61 s, under totalt 6 tidsfaser. c. Kinesiska kvinnor och bebisar skannas med 1,5T SIEMENS AERA MR-utrustning och speciella bröstspiraler. Skanningssekvensen inkluderar 5 faser av T1WI, T2WI fettundertryckning, DWI och dynamisk förbättringsskanning, tidsupplösning 71s.
Bildbehandling Använd programvara för att göra halvautomatiska och automatiska konturer av tumörintresseområdet och göra konturerna av tumörens solida förstärkningsdel, hela tumörområdet och den omgivande ödemzonen i tvärläge. För att korrekt avgränsa tumören, jämför de T1- och T2-viktade och dynamiskt förbättrade bilderna, två avbildningsläkare är ansvariga, en ansvarar för avgränsningen och den andra granskas, och det omtvistade området bestäms efter diskussion av en tredje person. Skapa ett dynamiskt förbättrat tumörtexturanalysprogram för att automatiskt extrahera imaging omics-funktioner i området av intresse. Med hjälp av en märkt datauppsättning konstrueras en datorbaserad automatisk segmenteringsalgoritmmodell baserad på maskininlärning för att automatiskt extrahera områden av intresse, och utvärdering av segmenteringsprestanda utförs på manuellt avgränsade etiketter.
Statistisk analys Utför statistisk analys av de erhållna bilderna och kliniska data, extrahera bildomics-funktioner och använd maskininlärningsalgoritmer för att screena viktiga funktioner. Använd statistiska verktyg som SPSS och R-språk. Parat t-test (kontinuerlig variabel) och chi-kvadrattest (diskontinuerlig variabel) användes för att jämföra de kliniska och avbildningsegenskaperna hos patienter med olika prognos; korrelationsanalys användes för att utvärdera de avbildande histologiska egenskaperna och olika patologiska vävnadsgrader. Korrelation mellan lymfkörtelmetastaser och specifikt genuttryck; använd Kaplan-Meiers överlevnadskurva för att analysera den prognostiska skillnaden mellan patienter med olika avbildningsegenskaper och använd log-rank-metoden för att testa skillnaden; använd cox överlevnadsmodell för att jämföra kliniska egenskaper och avbildningsomics. Karakteristika och prognos för patienter (tumörfri överlevnad, progressionsfri överlevnad, total överlevnad) analyserades av flera faktorer. Vidare kan algoritmer för djupinlärning användas för att automatiskt lära sig imaging omics-funktioner som kan vara relaterade till molekylära subtyper och prognos för att bygga prediktionsmodeller.
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studiekontakt
- Namn: Gu Ya Jia
- Telefonnummer: 86-18017317817
- E-post: guyajia@126.com
Studieorter
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200032
- Fudan University Shanghai Cancer Center
-
Kontakt:
- Gu Ya Jia
- Telefonnummer: 86-18017312040
- E-post: guyajia@126.com
-
Huvudutredare:
- Hua jia
-
Huvudutredare:
- Qian zhaoxia
-
Huvudutredare:
- Wang he
-
Underutredare:
- You chao
-
Underutredare:
- Zhuang zhiguo
-
Underutredare:
- Jiang ling
-
Underutredare:
- Zheng rencheng
-
Underutredare:
- Xiao qin
-
Underutredare:
- Chen yanqiong
-
Underutredare:
- Hu xiaoxin
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Patologisk och immunhistokemisk diagnos av bröstcancer genom biopsi
- Inga MRT-kontraindikationer och ingen biopsi före MRT
- Utan strålbehandling och kemoterapi före inskrivning
Exklusions kriterier:
- De med tidigare bröstcancerkirurgi, hormonbehandling och strålbehandling av bröstet
- Patienter med svåra sjukdomar som inte kan samarbeta med undersökningen
- Personer med kontraindikationer för MRT
- Forskarna menar att andra tillstånd inte är lämpliga för bröst-MR-undersökning
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Luminal
Luminal A：ER+ och/eller PR+,HER2- Luminal B：ER+ och/eller PR+,HER2+ * ER:östrogenreceptor PR:progesteronreceptor HER2:human epidermalgrowth factor-receptor-2 |
Lokal kirurgi, strålbehandling och systemisk terapi som kemoterapi, endokrin och molekylär målsökning.
|
|
HER2-överuttryck
ER- PR-,HER2+ * ER:östrogenreceptor PR:progesteronreceptor HER2:human epidermalgrowth factor-receptor-2 |
Lokal kirurgi, strålbehandling och systemisk terapi som kemoterapi, endokrin och molekylär målsökning.
|
|
Trippel negativ
ER- PR-,HER2- * ER:östrogenreceptor PR:progesteronreceptor HER2:human epidermalgrowth factor-receptor-2 |
Lokal kirurgi, strålbehandling och systemisk terapi som kemoterapi, endokrin och molekylär målsökning.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Bildprediktionsmodell av olika molekylär typning
Tidsram: 30 december, 2022----30 december, 2023
|
|
30 december, 2022----30 december, 2023
|
Samarbetspartners och utredare
Sponsor
Utredare
- Huvudutredare: Gu Ya Jia, Fudan University
Studieavstämningsdatum
Studera stora datum
Studiestart (Förväntat)
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- BCIG
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .