- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06703112
Etablering och klinisk tillämpning av AI-baserat multimodalt diagnossystem för äggstockstumörer
Äggstockstumörer är en vanlig sjukdom som hotar kvinnors hälsa. De är smygande i början, har över tio patologiska typer och uppvisar olika biologiska beteenden, vilket gör korrekt diagnos till en nyckelfaktor i kliniskt beslutsfattande och förbättrar prognos. Introduktion av AI-teknologi för att etablera ett hjälpdiagnossystem som består av multidimensionella kliniska data, inklusive medicinsk bildbehandling och tumörmarkörer, kommer att avsevärt förbättra diagnoseffektiviteten genom att förutsäga de patologiska typerna av vanliga äggstockstumörer.
Vår forskargrupp har innovativt utvecklat en AI-baserad ultraljudsmjukvara för intelligent hjälpdiagnostik för äggstockstumörer, som har kliniskt validerats för att vara effektiv. Detta projekt kommer att bygga vidare på detta genom att: (1) använda en mängd retrospektiva kliniska multicenterdata för att kombinera ultraljud, MRI-bilder, fysiologiska, patologiska och laboratoriedata för att bilda det första offentliga multimodala äggstockstumördataset som stöder AI-uppgifter; (2) att använda konvolutionell neural nätverksteknik för att realisera multimodal bild multi-klassificering intelligent igenkänning på denna datauppsättning baserad på kirurgisk patologi som standard, och sedan sammansmälta funktioner på nivån av kliniska data med den intelligenta igenkänningsmodellen för att träna och validera en hjälpdiagnosmodell för att förutsäga de tio bästa patologiska typerna av äggstockstumörer; (3) tillämpa integritetsberäkning och federerade inlärningsmetoder för att utföra multicenter, prospektiv validering och optimering av ovanstående modell, vilket slutligen bildar ett kliniskt hjälpdiagnossystem som kan förutsäga patologiska typer av de flesta äggstockstumörer och tillämpa det i klinisk praxis.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Metoder/designstudie Syfte Det första målet med denna studie är att konstruera en multimodal ovarialtumör offentlig datauppsättning som inkluderar ultraljud, MRI-bilder och kliniska indikatordata för att stödja AI-drivna uppgifter. Denna datauppsättning kommer att integrera olika typer av medicinsk data för att underlätta omfattande AI-analys och modellträning. Genom att använda CNN-teknik (convolutional neural network) försöker studien uppnå intelligent multiklassigenkänning av multimodala bilder. Detta innebär att extrahera och analysera funktioner från bilddata och integrera dem med multidimensionella kliniska data på funktionsnivå, med målet att träna och validera en extra diagnostisk modell som kan exakt förutsäga åtminstone de tio vanligaste patologiska typerna av äggstockstumörer. Dessutom kommer studien att använda integritetsbevarande datoranvändning och federerade inlärningsmetoder för att utföra multicenter, prospektiv optimering och validering av modellen. Dessa metoder kommer att säkerställa datasäkerhet och integritet samtidigt som de möjliggör utbildning i samarbetsmodeller. Det slutliga målet är att utveckla ett kliniskt hjälpdiagnostik som kan förutsäga de patologiska typerna av de flesta äggstockstumörer och implementeras i kliniska miljöer. Detta omfattande tillvägagångssätt syftar till att dra nytta av styrkorna hos AI-teknik inom medicinsk bildbehandling, säkerställa datasäkerhet samtidigt som noggrannheten och tillförlitligheten av äggstockstumördiagnostik förbättras.
Studiemiljö Denna studie genomförs i Peking, Kina. Studieämnena kommer från Beijing Shijitan Hospital, Beijing Friendship Hospital och Beijing Obstetrics and Gynecology Hospital, som alla är anslutna till Capital Medical University. Dessa sjukhus tillhandahåller en mångsidig patientpopulation, vilket stöder generaliserbarheten av studieresultaten.
Försökspersoner Studiepersonerna är patienter med diagnosen äggstockstumörer som har genomgått kirurgisk behandling. De fall som används för att utveckla den prediktiva modellen kommer från patienter som var inskrivna i följd mellan januari 2018 och januari 2023. Fall för validering av kliniska ansökningar kommer prospektivt att samlas in från patienter mellan juni 2023 och juni 2025. Inklusionskriterierna för båda delarna av studien är följande: (1) patienter diagnostiserade med äggstockstumörer som har genomgått kirurgisk behandling; (2) patienter med fullständiga bilddata (ultraljud eller MRI) och tumörmarkörresultat erhållna inom tre månader före operationen. Dessutom kräver den andra delen informerat samtycke från deltagarna. Uteslutningskriterierna är följande: (1) patienter med kirurgisk patologi som inte kommer från äggstocken; (2) dubbletter av fall; (3) patienter som har fått kemoterapi eller strålbehandling; (4) återkommande fall; (5) avbildning av dålig kvalitet av äggstocksskador; och (6) ofullständig ärendeinformation.
Etik Studieprotokollet har granskats och godkänts av etikkommittén vid Beijing Shijitan Hospital, knuten till Capital Medical University. Det etiska godkännandenumret är: [ange nummer]. Studien kommer att genomföras i enlighet med principerna i Helsingforsdeklarationen. För modellutvecklingsfasen har retrospektiva fall beviljats dispens från informerat samtycke. För den kliniska valideringsfasen kommer alla deltagare att läsa ett formulär för informerat samtycke innan studien börjar, frivilligt samtycka till att delta och underteckna formuläret för informerat samtycke.
Datainsamling Utredarna kommer att samla in bilddata (ultraljud i bäckenet, bäcken-MR) och kliniska data (allmän information, medicinsk historia, familjehistoria, fysisk undersökning, laboratorietester, patologirapporter, klinisk diagnos, etc.) från försökspersonerna. Detta kommer att hjälpa till att konstruera en multimodal äggstockstumördatauppsättning med klassificerings- och segmenteringskommentarer, vilket ger stöd för AI-datauppsättningar för den efterföljande utvecklingen av multimodala äggstockstumörhjälpdiagnostiska modeller. Allt eftersom forskningen fortskrider, strävar utredarna efter att uppnå flexibel expansion och djupbrytning av datamängden, upprätta standardiserade protokoll för multimodala datamängder och möjliggöra effektiv datadelning.
Bilddatabearbetning, segmentering och klassificeringsanteckning Detta projekt använder OpenSlide-verktyget för att bearbeta bilder, ändra storlek på dem för att säkerställa att pixeldimensionerna är multiplar av 300. Bilderna delas sedan upp i 300×300 pixelsektioner och konverteras till PNG-format. Noggrann segmentering av lesioner är grundläggande för exakt bildigenkänning. Projektet involverar ett team av gynekologer, samt experter från School of Electronic and Information Engineering vid Beihang University, som använder den professionella annoteringsmjukvaran LabelMe för bildsegmentering och klassificeringsannotering baserad på patologiska resultat, och skapar därigenom en segmenterad och klassificerad databas. Till exempel, i fallet med 2D ultraljudsbilder, segmenteras lesionerna manuellt, med äggstockstumörplatser markerade och omvandlade till motsvarande klassificeringsetiketter.
För att ytterligare förbättra segmenteringens noggrannhet och resultat, konstruerar denna studie en äggstockstumörbildsegmenteringsnätverksarkitektur, som innehåller en flerskalig funktionsfusionsmodul och optimering av förlustfunktioner på flera nivåer. Den övergripande nätverksarkitekturen kombinerar superpixelsegmentering med djupinlärning, och utnyttjar de starka funktionerna för extraktion av funktioner i konvolutionella neurala nätverk (CNN) för att förbättra kantinformation och förbättra segmenteringsnoggrannheten.
Konstruera ett AI-baserat äggstockstumörhjälpdiagnossystem med användning av AI för bildigenkänning För inmatade multimodala bilder (ultraljud och MRI) utförs visuell funktionsextraktion. För att ta itu med de visuella uppgifterna med lesionsklassificering och segmentering, konstrueras två algoritmmodeller: en modell med tät reststruktur och en kantmedveten strukturmodell med flera nivåer. Dessa modeller möjliggör intelligent igenkänning av patologiska typer i multimodala bilder
Prediktiv modell som integrerar flerdimensionell strukturerad data För det första används faltningsneurala nätverk för att generera prediktionsresultat på pixelnivå (segmenteringsresultat) och AI-algoritmer ger AI-prediktionsresultat (posteriora sannolikheter). Därefter sammansmälts den bakre sannolikhetsvektorn med strukturerade data (ålder, huvudklagomål, sjukdomslängd, fysiska undersökningsfynd, laboratorietester och andra kliniska indikatorer). Dessa sammanfogas till en ny funktionsvektor, som sedan analyseras ytterligare av en beslutsmodell (som XGBoost) för att bestämma den patologiska kategorin av äggstockstumören. Modellen tränas och valideras med patologiska resultat som guldstandard.
Hjälpdiagnossystemet Det multimodala äggstockstumörhjälpdiagnossystemet är uppbyggt i flera hierarkiska nivåer. Systemet består av fyra huvudnivåer, från botten till toppen: 1)Underliggande modul: Denna modul är primärt ansvarig för att tillhandahålla djupinlärningsacceleration, vilket säkerställer de grundläggande funktioner som krävs för systemdrift. 2)Basic Application Library (Foundation Layer): Detta lager erbjuder viktiga bibliotek för medicinsk informationsbehandling och plattformsloggregistrering. 3)Deep Learning Framework (Deep Learning Inference Layer): Det fungerar som den intelligenta kärnan i systemet, tillhandahåller de grundläggande ramarna för djupinlärning som är nödvändiga för intelligent systeminferens. Detta inkluderar ofta använda slutledningsbibliotek för neurala nätverk som stöder exakta slutledningar av neurala nätverksmodeller över olika plattformar. 4)Applikationslager (uppdelat i applikationslager och komponentlager): Detta lager erbjuder de nödvändiga tjänsterna för plattformssystemet. Den är designad för att vara flexibel och utdragbar, med oberoende funktionella, löst kopplade moduler. Skikten är relativt frikopplade, där var och en tillhandahåller oberoende funktionalitet. Plattformssystemet är designat från botten och upp, med ett användarvänligt, externt inkapslat operativt gränssnitt som tillåter direkt användarinteraktion med plattformen.
Det multimodala äggstockstumörhjälpdiagnossystemet har flera nyckelfunktioner. För det första kan den läsa ultraljuds- och MR-bilder, samt journaler, enligt användarens krav, och konvertera formatet efter behov. Den förbehandlar sedan bilderna och journalerna genom att ta bort irrelevant information, vilket underlättar efterföljande modellslutledning. Lesionsigenkänningsmodulen utför både klassificering och segmentering, uppskattar lesionssannolikheter och identifierar potentiella lesionsområden. Slutligen genomför modulen för efterbehandling av data på beslutsnivå sammanslagning av klassificeringsresultat, annoterar automatiskt lesionsområden och genererar extra diagnostiska resultat som förutsäger patologiska typer genom att kombinera journalinformationen.
Multicenter, optimering av prospektivt hjälpdiagnossystem och klinisk tillämpningsvalidering Genom samarbete mellan gynekologiska onkologiska team från tre forskningscentra kommer det multimodala äggstockstumörhjälpdiagnossystemet att genomgå multicenter, prospektiv klinisk tillämpning, med kirurgiska patologiresultat som används som guldstandard. Den diagnostiska prestandan för det multimodala äggstockstumörhjälpdiagnossystemet, både övergripande och över olika patologiska kategorier, kommer att utvärderas i huvud- och undercentralerna genom att jämföra mätvärden som specificitet, sensitivitet, positivt prediktivt värde, negativt prediktivt värde och area under ROC-kurva (AUC). Systemet kommer kontinuerligt att valideras och optimeras för att förbättra dess prestanda. Överensstämmelsen mellan preoperativ diagnos och postoperativa patologiska resultat kommer att jämföras före och efter appliceringen av äggstockstumörhjälpdiagnossystemet i de tre forskningscentra, för att utvärdera den kliniska effektiviteten av hjälpdiagnossystemet.
Paradigm för optimering av hjälpdiagnossystem för multicenter baserad på horisontellt federerat lärande. Paradigmet för optimering av multicenterhjälpdiagnossystem baserat på horisontellt förenat lärande involverar hantering och distribution av hjälpdiagnosmodellen av huvudcentret. Andra centra tillämpar inkrementella inlärningsmekanismer och använder sina egna data för att finjustera det extra diagnossystemet och tillhandahålla uppdaterade parametrar till huvudcentret. Denna process säkerställer förbättrad intelligent igenkänning av äggstockstumörer samtidigt som dataintegriteten bibehålls mellan centra. Inledningsvis konstruerar huvudcentret en AI-baserad multimodal äggstockstumörprediktionsmodell. Denna modell krypteras sedan och distribueras till filialcentralerna. Filialcentren, efter att ha uppnått en viss datapoolstorlek och uppfyllt annoteringsstandarder, initierar modelloptimering. Slutligen, efter att ha finjusterat modellerna, laddar varje center upp de uppdaterade parametrarna till huvudcentret. Huvudcentret utvärderar modellens prestanda för att avgöra om en iteration av modellversionen är nödvändig. Om så är fallet omfördelas den uppdaterade modellen, vilket uppnår en sluten slinga av horisontell federerad inlärning för multicentermodelloptimering.
Statistisk analys Beräkning av provstorlek
- Utvecklingsfas för den multimodala äggstockstumörhjälpdiagnosmodellen Den urvalsstorlek som krävs uppskattas med EPV-metoden (Events per Variable), som är en erfarenhetsbaserad metod för att konstruera modeller. Varje variabel kräver vanligtvis 10-20 positiva händelser; i denna studie satte utredarna EPV till 20. Utredarna räknar med att inkludera 20 oberoende variabler (och dummyvariabler) i den diagnostiska modellen, vilket således behöver 20 * 20 = 400 maligna fall. Preliminära data indikerar att andelen maligna (verkligt positiva) äggstockstumörpatienter är cirka 30 %. Därför är den totala nödvändiga urvalsstorleken 400 / 0,30 = 1334 fall. Med tanke på en dataförlust på 20 % är den slutliga urvalsstorleken för träningsuppsättningen 1667 fall. Träningsuppsättningen och valideringsuppsättningen kommer att följa ett 4:1-förhållande, vilket resulterar i en urvalsstorlek för valideringsuppsättningen på 418 fall. Den totala urvalsstorleken som krävs är således 2084 fall, där varje center bidrar med en lika stor andel.
- Multicenter, prospektivt system för klinisk tillämpningsvalidering och optimeringsfas Denna del av studien utvärderar primärt den kliniska tillämpningseffekten av hjälpdiagnossystemet genom att mäta noggrannhet. Därför används formeln för beräkning av provstorlek för diagnostiska tester.
Se=90 % (det diagnostiska systemets känslighet),Sp=90 % (det diagnostiska systemets specificitet), Baserat på statistiska och kliniska expertutlåtanden hänvisar errABS=5 % till det förväntade absoluta felet, α=0,05. Enligt beräkningsformeln för urvalsstorlek kräver den sanna positiva gruppen inkludering av 140 fall. Preliminära data indikerar att andelen maligna (verkligt positiva) äggstockstumörpatienter är cirka 30 %. Därför är den totala nödvändiga urvalsstorleken 140 / 0,30 = 467 fall. Med tanke på en uppföljningsförlust på 20 % är den slutliga urvalsstorleken 584 fall, där varje center bidrar med en lika stor andel.
Datahantering All data kommer att registreras i ett elektroniskt fallrapportformulär (eCRF) utformat för studien. Varje undercentrum kommer att upprätta en oberoende databas som hanteras av utsedd personal. En standardiserad verifieringsprocess för datainmatning kommer att upprättas, vilket säkerställer att data registreras korrekt och i tid i strikt enlighet med studieprotokollet. Regelbundna utvärderingar kommer att genomföras för att kontrollera att uppladdade data är korrekta och fullständiga. Dataansvariga vid varje center kommer att verifiera data som samlats in i eCRFs mot källdokument som medicinska journaler och granska datainsamlingsprocessen. Personal från huvudcentret kommer att genomföra regelbundna inspektioner på plats vid alla deltagande centra för att verifiera uppgifternas äkthet. Studien kommer att använda dataskyddsteknik för att säkerställa oberoendet och säkerheten för varje centers data, tillhandahålla tjänster för optimering och validering av multicentermodeller samtidigt som dataintegriteten säkerställs.
Dataanalys För normalfördelade kontinuerliga data kommer jämförelser mellan grupper att utföras med hjälp av det oberoende sampel t-testet, och jämförelser mellan grupper kommer att göras med hjälp av det parade t-testet. För icke-normalfördelade kontinuerliga data och ordinaldata kommer Mann-Whitney U-testet att användas för jämförelser mellan grupper, och Wilcoxon signed-rank test kommer att användas för jämförelser mellan grupper. För oordnade kategoridata kommer chi-kvadrattestet (χ²) eller Fishers exakta test att användas för jämförelser mellan grupper, och McNemar-testet kommer att användas för jämförelser mellan grupper. Området under ROC-kurvan (AUC) kommer att testas statistiskt med hjälp av DeLong-test, och sensitivitet och specificitet kommer att beräknas med hjälp av Jeffreys-intervallet. Med tanke på korrelationen mellan samma ämnen kommer jämförelser mellan grupper att använda metoden Generalized Estimation Equation (GEE) justerad för centrumeffekter. Analys av andra indikatorer kommer att följa samma metod som baslinjeanalysen.
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: lei liu
- Telefonnummer: +86 13718692611
- E-post: cdcliulei@163.com
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inklusionskriterier:
- 1. Kontinuerliga fall intagna för diagnos av äggstockstumör och förberedelse för kirurgisk behandling;
- 2. Kompletta bilddata (ultraljud eller MRT) och tumörmarkörresultat inom 3 månader före operationen;
- 3. Underteckna frivilligt informerat samtycke.
Uteslutningskriterier:
- 1. Patienter med tumör med icke-ovarieursprung som kirurgisk patologi;
- 2. Upprepande fall;
- 3. Fall som får strålbehandling och kemoterapi;
- 4. Återkommande fall; 5. Dålig bildkvalitet av äggstocksskador;
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: N/A
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Aktiv komparator: äggstockstumörer
|
Genom samarbete mellan gynekologiska onkologiteam från tre forskningscentra kommer det multimodala äggstockstumörhjälpdiagnossystemet att genomgå multicenter, prospektiv klinisk tillämpning, med kirurgiska patologiresultat som används som guldstandard.
Den diagnostiska prestandan för det multimodala äggstockstumörhjälpdiagnossystemet, både övergripande och över olika patologiska kategorier, kommer att utvärderas i huvud- och undercentralerna genom att jämföra mätvärden som specificitet, sensitivitet, positivt prediktivt värde, negativt prediktivt värde och area under ROC-kurva (AUC).
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Patologisk diagnos
Tidsram: Inom en vecka postoperativt
|
Efter att det kirurgiska provet har levererats till patologiavdelningen, utför patologen en grov undersökning, som registrerar provets storlek, form, ytegenskaper och skurna ytegenskaper (t.ex. andelen fasta och cystiska komponenter i tumören).
Provet bearbetas sedan enligt standardprotokoll för att förbereda vävnadssnitt, som sedan färgas.
När färgningen är klar, undersöks objektglasen oberoende i mikroskop av två patologer, som utvärderar tumörcellsmorfologi, arrangemang och histologiska egenskaper för att bestämma den patologiska naturen (godartad, borderline eller malign) och typ av tumören.
Om det finns en diskrepans i diagnoserna hänvisas ärendet till en överläkare för prövning, vars slutliga uppfattning ska gälla.
|
Inom en vecka postoperativt
|
|
AUC (Area Under the ROC Curve)
Tidsram: Alla försökspersoner måste slutföra uppföljningen inom ett år efter postoperativ patologisk diagnos.
|
I den här studien används arean under the curve (AUC) som det primära utvärderingsmåttet för att kvantifiera den nya prediktionsmodellens diagnostiska prestanda. AUC baseras på kurvan för receiver operating characteristic (ROC) och utvärderar modellens förmåga att skilja mellan positiva och negativa fall vid olika trösklar genom att jämföra modellens förutsägelser med guldstandarden (patologisk diagnos). Betydelsen av AUC: AUC-värdet varierar från 0,5 till 1,0, med högre värden som indikerar starkare övergripande särskiljningsförmåga hos modellen. Specifika tolkningar är följande: AUC = 0,5: Modellen har ingen diagnostisk förmåga. 0,7 ≤ AUC < 0,9: Modellen visar god diagnostisk prestanda. AUC ≥ 0,9: Modellen visar utmärkt diagnostisk prestanda. AUC < 0,7: Modellens diagnostiska förmåga anses vara låg. Genom att beräkna AUC-värdet för den nya förutsägelsemodellen bedömer denna studie dess förmåga att skilja positiva fall från negativa fall, och därigenom verifiera |
Alla försökspersoner måste slutföra uppföljningen inom ett år efter postoperativ patologisk diagnos.
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Beräknad)
Uppdateringar av studier
Senaste uppdatering publicerad (Beräknad)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
- Urogenitala sjukdomar
- Genitala sjukdomar
- Sjukdomar i det endokrina systemet
- Urogenitala neoplasmer
- Neoplasmer efter plats
- Neoplasmer
- Kvinnliga urogenitala sjukdomar
- Kvinnliga urogenitala sjukdomar och graviditetskomplikationer
- Genitala sjukdomar, kvinnor
- Neoplasmer i endokrina körtel
- Ovariella sjukdomar
- Adnexala sjukdomar
- Genitala neoplasmer, hona
- Gonadal sjukdomar
- Ovariella neoplasmer
Andra studie-ID-nummer
- IIT2024-037-002
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
- SAV
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 .