Modell för djupinlärning förutsäger patologiskt fullständigt svar av lungcancer efter neoadjuvant immunokemoterapi
11 mars 2024 uppdaterad av: Wuhan Union Hospital, China
En artificiell intelligensmodell förutsäger patologiskt fullständigt svar av lungcancer efter neoadjuvant immunokemoterapi
Den här studien presenterar utvecklingen och valideringen av ett prediktionssystem för artificiell intelligens (AI) som använder pre-neoadjuvant immunterapi vanliga skanningar och förbättrade multimodala CT-skanningar för att extrahera funktioner för djupinlärning.
Syftet är att förutsäga förekomsten av patologiskt fullständigt svar hos icke-småcelliga lungcancerpatienter som genomgår neoadjuvant immunkemoterapi.
Studieöversikt
Status
Har inte rekryterat ännu
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Denna studie erhöll retrospektivt icke-kontrastförstärkta och kontrastförstärkta CT-skanningar av patienter med NSCLC som genomgick operation efter att ha fått neoadjuvant immunokemoterapi.
på flera centra mellan augusti 2019 och februari 2023.
Funktioner för djupinlärning extraherades från både icke-kontraktsförstärkta och kontraktsförstärkta CT-skanningar för att konstruera de prediktiva modellerna (LUNAI-nCT-modellen respektive LUNAI-eCT-modellen).
Efter funktionsfusion av dessa två typer av funktioner, konstruerades en sammansmält modell (LUNAI-fCT-modell).
Modellens prestanda utvärderades med användning av arean under mottagarens funktionskarakteristikkurva (AUC), noggrannhet, känslighet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).
SHapley Additive ExPlanations (SHAP)-analys användes för att kvantifiera effekten av CT-avbildningsfunktioner på modellförutsägelse.
För att få insikter i hur vår modell gör förutsägelser använde vi Gradient-weighted Class Activation Mapping (Grad-CAM) för att generera framträdande värmekartor.
Studietyp
Observationell
Inskrivning (Beräknad)
1000
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Testmetod
Icke-sannolikhetsprov
Studera befolkning
patienter som diagnostiserades med icke-småcelligt karcinom och som genomgår operation efter neoadjuvant kemoimmunterapibehandling
Beskrivning
Inklusionskriterier:
- Patienter med icke-småcellig lungcancer, diagnostiserad genom biopsipatologi och kliniskt klassificerade som stadium IB till III;
- Patienter som får minst två cykler av neoadjuvant immunterapi kombinerat med kemoterapiinduktionsterapi;
- Enligt IASLC-riktlinjerna utfördes postoperativ patologisk utvärdering av behandlingssvaret av tumörens primära lesion och lymfkörtlar.
Exklusions kriterier:
- Saknas eller otillräcklig kvalitet på CT;
- Tidsintervallet mellan CT och behandlingsstart är längre än 1 månad;
- Ofullständiga kliniska patologiska data.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Utbildningsdataset
patienter som diagnostiserades med icke-småcellig karcinom och genomgår operation efter neoadjuvant kemoimmunterapibehandling på sjukhus 1 (Tongji Medical College Affiliated Union Hospital)
|
Den högkapacitetsextraktion av stora mängder kvantitativa bildegenskaper från medicinska bilder
|
|
testdatauppsättning
patienter som diagnostiserades med icke-småcellig karcinom och genomgår operation efter neoadjuvant kemoimmunterapibehandling på sjukhus (Zhengzhou University First Affiliated Hospital, Yichang Central Hospital, Anyang Cancer Hospital)
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
noggrannheten, känsligheten, specificiteten, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) för prediktionsmodellen
Tidsram: Baslinjebehandling
|
flera mätvärden beräknades, inklusive noggrannhet, känslighet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).
|
Baslinjebehandling
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Beräknad)
1 mars 2024
Primärt slutförande (Beräknad)
1 december 2025
Avslutad studie (Beräknad)
1 mars 2026
Studieregistreringsdatum
Först inskickad
22 februari 2024
Först inskickad som uppfyllde QC-kriterierna
22 februari 2024
Första postat (Faktisk)
29 februari 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
13 mars 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
11 mars 2024
Senast verifierad
1 februari 2024
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- LUNAI
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
OBESLUTSAM
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
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 .