PET/CT-baserad bildanalys och maskininlärning av hypermetaboliska lungskador
22 juli 2025 uppdaterad av: Hu Jiajia, Ruijin Hospital
PET/CT-avbildningsbaserad distinktion av pulmonellt lymfom och andra hypermetaboliska lesioner via bildåtergivningsmanifestationer och maskininlärningstekniker: en multicenter retrospektiv studie
Först analyserar vi typerna, avbildningsfynd och relevanta behandlingssvar baserat på PET/CT för att slutföra en mer omfattande bild av lunglymfom.
Sedan kommer några modeller baserade på radiomikrofoner att utvecklas för att verifiera möjligheten att differentiera lunglymfom via maskininlärning och utveckla en klassificeringsmodell i flera klasser.
Det slutliga målet med denna studie är att utveckla en uppsättning modeller för djupinlärning för preliminär segmentering av lungskador och klassificering i flera klasser. Modellerna kommer att klassificera FDG-avid lungskador i fyra grupper, var och en definierad av deras patologiska ursprung, primär terapi och relevant klinisk avdelning.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Detaljerad beskrivning
- Programvaran för utvinning av lokala bildfunktioner (LIFEx, v 7.4.0, Frankrike) användes för bildgranskning och mätning av relevanta data. Tre observatörer tolkade bilderna oberoende av varandra. Vid meningsskiljaktigheter gavs åsikten från en överläkare med över ett decenniums erfarenhet företräde. Avbildningsfynden registrerades baserat på baslinjeundersökningarna. Antal lesioner, platser och beskrivande etiketter loggades systematiskt i enlighet med de normer som anges i avbildningsrapporten. Den statistiska programvaran SPSS (v26.0) användes vid datasortering och beräkning. Chi-kvadrattest användes för att jämföra SPL och PPL baserat på kategoriska variabler som CT-fynd, medan T-test användes för att bedöma kontinuerliga variabler som glykemi och SUV. Med tanke på dominansen av kategoriska variabler, användes chi-kvadrat eller Fishers exakta test (för prover <40 eller >20 % celler med <5 förväntade antal) för att bedöma behandlingssvar och avbildningsprestanda. Spearmans korrelationskoefficient användes för att analysera sambandet mellan kategoriska och SUV-baserade kontinuerliga variabler.
- I denna studie valdes den metaboliska tumörvolymen vid en relativ tröskel på 40% (MTV40%) som volymen av intresse (VOI) för bildanalys. För funktionsextraktion använde vi Python (v3.11.7)-baserade radiomikfunktionsextraktionsverktygssats PyRadiomics (v3.1.0), tillsammans med det medicinska bildbehandlingsbiblioteket SimpleITK (v2.3.1), biblioteket för numerisk beräkning och datamanipulation Numpy (v1.26.2) och wavelet-transformationsbiblioteket PyWavelet (v1.5.0). Funktionsval utfördes med RStudio (v.2023.12.0+369) baserat på programmeringsspråket R (v4.2.0). För att säkerställa beräkningseffektivitet och undvika överanpassning begränsades antalet bibehållna funktioner till 10 % eller mindre av antalet lesioner i träningsuppsättningen. Modellanalys och validering utfördes i första hand även med RStudio.
- Deep learning-studien delar upp uppgiften att identifiera och klassificera hypermetaboliska lungskador i två steg: segmentering och klassificering. I segmenteringsstadiet använde vi först 2D-modellen Lungmask med öppen källkod för att automatiskt beskära lungregionen från PET/CT-bilder av hela kroppen, vilket säkerställer att efterföljande bearbetning är fokuserad på lungområdet. Därefter utvecklade vi en 3D UNet-modell med kvarvarande moduler speciellt utformade för att segmentera hypermetaboliska lungskador. Denna modell tar de beskurna PET/CT-bilderna som indata, extraherar effektivt lesionsinformation från de tredimensionella bilderna och segmenterar de hypermetaboliska lunglesionsområdena exakt. Modellen applicerades sedan på både interna testset och externa valideringsuppsättningar för slutledning, vilket resulterade i extraktion av lesionsinnehållande ROI.
Studietyp
Observationell
Inskrivning (Faktisk)
647
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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
Denna retrospektiva studie registrerade patienter som genomgick PET/CT-undersökningar vid nuklearmedicinska avdelningen från januari 2015 till februari 2024 på 5 institutioner: Ruijin Hospital, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital i Anhui-provinsen och Anslutet sjukhus vid Nanjings universitet för traditionell kinesisk medicin.
Beskrivning
Inklusionskriterier:
- Vuxna patienter (≥18 år);
- Primärt eller återkommande lymfom, ≥6 månader från senaste behandling; primär lungcancerpatienter utan tidigare malignitet;
- Benigna solida lungskador, utan föregående malignitet;
- Lungmetastas, obehandlad med lungstrålbehandling eller partikelimplantation;
- Baslinjebedömning avslöjar PET-positiva lungskador.
- Patologiska resultat inom 3 månader efter undersökningsdatum, bekräftade typer av lungskador via trakeoskopi, lungpunktion eller operation.
- Baslinje pulmonella lesioner som kvarstår anses vara pulmonellt lymfom (eller metastaser) baserat på uppföljande klinisk utvärdering och avbildningsutvärdering.
Uteslutningskriterier:
- Dålig bildkvalitet;
- Oförmåga att avgränsa gränserna för lungskador på CT-bilder;
- Artefakter orsakade av närliggande enheter som stentar eller dräneringsrör.
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 |
|---|---|
|
Lunglymfom
(1) Vuxna patienter (≥18 år).
(2) Patienter med primärt eller återkommande lymfom, ≥6 månader från senaste behandling.
(3) Baslinjebedömning på sjukhus avslöjade PET-positiva lungskador, CT-mätt maximal diameter ≥3 mm, synliga över ≥2 bildlager.
(4) Patologiska resultat inom 3 månader efter undersökningsdatum, bekräftade typer av lungskador via trakeoskopi, lungpunktion eller kirurgi.
Eller baseline pulmonella lesioner av lymfom som diagnostiserats av lymfkörtel och extern lungpunktion, anses fortfarande vara pulmonellt lymfom baserat på uppföljande klinisk och avbildningsutvärdering.
|
Observera de medicinska bilderna via arbetsstation eller lokal bildanalysprogramvara
Extrahera bildfunktion via radiomik eller metoder för djupinlärning
|
|
Lungcancer
(1) Vuxna patienter (≥18 år).
(2) Patienter med primär lungcancerpatienter utan tidigare malignitet (3) Baslinjebedömning på sjukhus avslöjade PET-positiva lungskador, CT-mätt maximal diameter ≥3 mm, synliga över ≥2 bildlager.
(4) Patologiska resultat inom 3 månader efter undersökningsdatum, bekräftade typer av lungskador via trakeoskopi, lungpunktion eller kirurgi.
|
Observera de medicinska bilderna via arbetsstation eller lokal bildanalysprogramvara
Extrahera bildfunktion via radiomik eller metoder för djupinlärning
|
|
Godartad
(1) Vuxna patienter (≥18 år).
(2) Patienter med benigna solida lungskador, utan tidigare malignitet.
(3) Baslinjebedömning på sjukhus avslöjade PET-positiva lungskador, CT-mätt maximal diameter ≥3 mm, synliga över ≥2 bildlager.
(4) Patologiska resultat inom 3 månader efter undersökningsdatum, bekräftade typer av lungskador via trakeoskopi, lungpunktion eller kirurgi.
|
Observera de medicinska bilderna via arbetsstation eller lokal bildanalysprogramvara
Extrahera bildfunktion via radiomik eller metoder för djupinlärning
|
|
Metastas
(1) Vuxna patienter (≥18 år).
(2) Lungmetastaserande patienter, obehandlade med lungstrålbehandling eller partikelimplantation.
(3) Baslinjebedömning på sjukhus avslöjade PET-positiva lungskador, CT-mätt maximal diameter ≥3 mm, synliga över ≥2 bildlager.
(4) Patologiska resultat inom 3 månader efter undersökningsdatum, bekräftade typer av lungskador via trakeoskopi, lungpunktion eller kirurgi.
Eller baseline pulmonella lesioner av metastaser som diagnostiserats av lymfkörtel och extern lungpunktion, anses fortfarande vara lungmetastaser baserat på uppföljande klinisk och avbildningsutvärdering.
|
Observera de medicinska bilderna via arbetsstation eller lokal bildanalysprogramvara
Extrahera bildfunktion via radiomik eller metoder för djupinlärning
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Imaging/radiomik/djupinlärningsfunktioner i 18F-FDG PET/CT-bild
Tidsram: Baslinje
|
Baslinje
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Segmenteringsmodellens effektivitet
Tidsram: direkt efter utveckling och testning av modeller
|
Effektiviteten av segmenteringsmodellen utvärderas av detektionshastigheten för lesioner och tärningslikhetskoefficienten (2(A∩B)/(A+B), A=segmenterad voxelvolym, B=grund sanningsvolym), som båda beskriver noggrannhet för att dela upp lesionen och bakgrunden.
|
direkt efter utveckling och testning av modeller
|
|
Klassificeringsmodellens effektivitet
Tidsram: direkt efter utveckling och testning av modeller
|
Klassificeringsmodellen utvärderas av noggrannheten [ (TP+TN)/(TP+FP+TN+FN) ], precision [TP/(TP+FP)], återkallande [TP/(TP+FN)], F1- poäng [2*precision*recall/(precision+recall)], som alla beskriver förhållandet mellan korrekt eller felaktigt klassificerade lesioner i proverna ur olika aspekter.
Medan mottagarens operationskarakteristik (ROC)-kurvan kan illustrera detta mer visuellt.
Area under the curve (AUC) beräknade andelen area under ROC-kurvan, från 0 till 1, vilket representerar den totala effektiviteten av klassificeringen i varje grupp.
|
direkt efter utveckling och testning av modeller
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
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 (Faktisk)
1 april 2024
Primärt slutförande (Faktisk)
20 juli 2024
Avslutad studie (Faktisk)
30 april 2025
Studieregistreringsdatum
Först inskickad
11 september 2024
Först inskickad som uppfyllde QC-kriterierna
17 september 2024
Första postat (Faktisk)
19 september 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
23 juli 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
22 juli 2025
Senast verifierad
1 juli 2025
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- RuijinH 2024-70
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
produkt tillverkad i och exporterad från U.S.A.
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 .