Utveckling och validering av en djup inlärningsmodell för att förutsäga avlägsna metastaser i nasofaryngealt karcinom med hjälp av hela bildavbildning och MRI
21 februari 2025 uppdaterad av: Pu-Yun OuYang, Sun Yat-sen University
Utveckling och multicentervalidering av en djup inlärningsmodell baserad på hela bildavbildning och magnetisk resonansavbildning av nasofarynx och lymfkörtlar för att förutsäga avlägsna metastaser vid diagnos i nasofaryngeal karcinom
En AI -modell utvecklades för att förutsäga sannolikheten för avlägsen metastas hos patienter med nasofaryngeal cancer baserat på patologiska bilder och MR -skanningar från den primära tumören.
Modellen validerades med hjälp av data från flera centra.
Den tillämpades sedan på patienter med avancerade stadier som rekommenderades att genomgå PET/CT -skanningar baserat på NCCN- eller CSCO -riktlinjerna.
Denna AI -modell kan exakt screena patienter med hög risk för avlägsen metastas vid tidpunkten för den första diagnosen för att få PET/CT, undvika överdriven undersökning av patienter med låg risk för avlägsen metastas, spara medicinska resurser och minska den ekonomiska bördan för patienterna.
Studieöversikt
Status
Rekrytering
Betingelser
Detaljerad beskrivning
En AI-modell konstruerades baserat på HE-färgade patologiska sektioner av den primära lesionen och MRI i nasofarynx och nacke för att förutsäga sannolikheten för avlägsen metastas vid det första besöket, och AI-modellen verifierades fullt ut genom multicenterdata; AI-modellen tillämpades på T3-4- eller N2-3-patienter som rekommenderades att genomgå PET/CT-undersökning enligt NCCN- och CSCO-riktlinjerna och tröskeln för AI-modellen när det negativa prediktiva värdet för att förutsäga M0 var inte mindre än 95% bestämdes, vilket gav teoretiskt stöd för patienter som förutspåddes av AI att undantas från PET/CT -undersökning.
Studietyp
Observationell
Inskrivning (Beräknad)
500
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Pu-Yun OuYang
- Telefonnummer: +8618565382769
- E-post: ouyangpy@sysucc.org.cn
Studieorter
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510060
- Rekrytering
- Sun Yat-sen University Cancer Center
-
Kontakt:
- Pu-Yun OuYang
- Telefonnummer: +86 18565382769
- E-post: ouyangpy@sysucc.org.cn
-
Kontakt:
- Pu-Yun OuYang
- E-post: ouyangpy@sysucc.org.cn
-
Guangzhou, Guangdong, Kina, 510060
- Har inte rekryterat ännu
- Department of Radiation Oncology, Sun Yat-sen University Cancer Center
-
Kontakt:
- Pu-Yun OuYang
- Telefonnummer: 86+020-87342925
- E-post: ouyangpy@sysucc.org.cn
-
Kontakt:
- Pu-Yun OuYang
-
-
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
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter med patologiskt bekräftat nasofaryngealt karcinom
Beskrivning
Inkluderingskriterier:
A. Den primära lesionen bekräftades patologiskt som nasofaryngeal karcinom (WHO -klassificering är I, II och III); B. Steget var T3-4 eller N2-3, och nasofarynx + hals MR-vanlig skanning och förbättrad skanning utfördes för att bekräfta nasofaryngeal och cervikal lymfkörtelskador och PET/CT eller konventionell undersökning (bröst CT-vanlig skanning + förbättrad Skanning, övre buk CT eller MRI Vanlig skanning + förbättrad skanning eller bukfärg Doppler Ultraljud eller ultraljudangiografi och hela kroppsben avbildning) utfördes för att skärm för avlägsna metastaser.
Uteslutningskriterier:
Tidigare historia av andra maligna tumörer (såsom andra huvud- och nackcellcancer, sköldkörtelcancer, bröstcancer, matstrupscancer, etc.).
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 |
|---|
|
Prospektiv valideringskohort
Prospektiv patientregistrering för att validera den diagnostiska effekten av AI -modellen
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Negativt förutsägbart värde
Tidsram: Genom studieens slutförande, i genomsnitt 2 år
|
NPV mäter andelen förutsagda negativa fall som faktiskt är negativa.
Den berättar hur tillförlitlig modellen är när den förutsäger ett negativt resultat.
|
Genom studieens slutförande, i genomsnitt 2 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Känslighet, specificitet och positivt förutsägbart värde
Tidsram: Genom studieens slutförande, i genomsnitt 2 år
|
Känslighet, specificitet och positivt prediktivt värde för AI för att förutsäga avlägsen metastas vid tröskeln motsvarande ett negativt prediktivt värde på 95%.
|
Genom studieens slutförande, i genomsnitt 2 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Samarbetspartners
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- OuYang PY, He Y, Guo JG, Liu JN, Wang ZL, Li A, Li J, Yang SS, Zhang X, Fan W, Wu YS, Liu ZQ, Zhang BY, Zhao YN, Gao MY, Zhang WJ, Xie CM, Xie FY. Artificial intelligence aided precise detection of local recurrence on MRI for nasopharyngeal carcinoma: a multicenter cohort study. EClinicalMedicine. 2023 Aug 30;63:102202. doi: 10.1016/j.eclinm.2023.102202. eCollection 2023 Sep.
- Zhong L, Dong D, Fang X, Zhang F, Zhang N, Zhang L, Fang M, Jiang W, Liang S, Li C, Liu Y, Zhao X, Cao R, Shan H, Hu Z, Ma J, Tang L, Tian J. A deep learning-based radiomic nomogram for prognosis and treatment decision in advanced nasopharyngeal carcinoma: A multicentre study. EBioMedicine. 2021 Aug;70:103522. doi: 10.1016/j.ebiom.2021.103522. Epub 2021 Aug 11.
- Qiang M, Li C, Sun Y, Sun Y, Ke L, Xie C, Zhang T, Zou Y, Qiu W, Gao M, Li Y, Li X, Zhan Z, Liu K, Chen X, Liang C, Chen Q, Mai H, Xie G, Guo X, Lv X. A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma. J Natl Cancer Inst. 2021 May 4;113(5):606-615. doi: 10.1093/jnci/djaa149.
- Lin L, Dou Q, Jin YM, Zhou GQ, Tang YQ, Chen WL, Su BA, Liu F, Tao CJ, Jiang N, Li JY, Tang LL, Xie CM, Huang SM, Ma J, Heng PA, Wee JTS, Chua MLK, Chen H, Sun Y. Deep Learning for Automated Contouring of Primary Tumor Volumes by MRI for Nasopharyngeal Carcinoma. Radiology. 2019 Jun;291(3):677-686. doi: 10.1148/radiol.2019182012. Epub 2019 Mar 26.
- OuYang PY, Zhang BY, Guo JG, Liu JN, Li J, Peng QH, Yang SS, He Y, Liu ZQ, Zhao YN, Li A, Wu YS, Hu XF, Chen C, Han F, You KY, Xie FY. Deep learning-based precise prediction and early detection of radiation-induced temporal lobe injury for nasopharyngeal carcinoma. EClinicalMedicine. 2023 Apr 4;58:101930. doi: 10.1016/j.eclinm.2023.101930. eCollection 2023 Apr.
- Sun XS, Liu SL, Luo MJ, Li XY, Chen QY, Guo SS, Wen YF, Liu LT, Xie HJ, Tang QN, Liang YJ, Yan JJ, Lin DF, Bi MM, Liu Y, Liang YF, Ma J, Tang LQ, Mai HQ. The Association Between the Development of Radiation Therapy, Image Technology, and Chemotherapy, and the Survival of Patients With Nasopharyngeal Carcinoma: A Cohort Study From 1990 to 2012. Int J Radiat Oncol Biol Phys. 2019 Nov 1;105(3):581-590. doi: 10.1016/j.ijrobp.2019.06.2549. Epub 2019 Jul 15.
- Tang LQ, Chen QY, Fan W, Liu H, Zhang L, Guo L, Luo DH, Huang PY, Zhang X, Lin XP, Mo YX, Liu LZ, Mo HY, Li J, Zou RH, Cao Y, Xiang YQ, Qiu F, Sun R, Chen MY, Hua YJ, Lv X, Wang L, Zhao C, Guo X, Cao KJ, Qian CN, Zeng MS, Mai HQ. Prospective study of tailoring whole-body dual-modality [18F]fluorodeoxyglucose positron emission tomography/computed tomography with plasma Epstein-Barr virus DNA for detecting distant metastasis in endemic nasopharyngeal carcinoma at initial staging. J Clin Oncol. 2013 Aug 10;31(23):2861-9. doi: 10.1200/JCO.2012.46.0816. Epub 2013 Jul 15. Erratum In: J Clin Oncol. 2016 Feb 10;34(5):519. doi: 10.1200/jco.2015.66.3427.
- Xiao BB, Lin DF, Sun XS, Zhang X, Guo SS, Liu LT, Luo DH, Sun R, Wen YF, Li JB, Lv XF, Han LJ, Yuan L, Liu SL, Tang QN, Liang YJ, Li XY, Guo L, Chen QY, Fan W, Mai HQ, Tang LQ. Nomogram for the prediction of primary distant metastasis of nasopharyngeal carcinoma to guide individualized application of FDG PET/CT. Eur J Nucl Med Mol Imaging. 2021 Jul;48(8):2586-2598. doi: 10.1007/s00259-020-05128-8. Epub 2021 Jan 8.
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)
15 februari 2025
Primärt slutförande (Beräknad)
31 december 2026
Avslutad studie (Beräknad)
31 december 2026
Studieregistreringsdatum
Först inskickad
14 februari 2025
Först inskickad som uppfyllde QC-kriterierna
14 februari 2025
Första postat (Faktisk)
25 mars 2025
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
25 mars 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
21 februari 2025
Senast verifierad
1 februari 2025
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
- Stomatogena sjukdomar
- Patologiska processer
- Neoplasmer efter plats
- Neoplasmer
- Neoplasmer efter histologisk typ
- Neoplasmer i huvud och hals
- Neoplasmer, körtel och epitel
- Neoplastiska processer
- Carcinom
- Otorhinolaryngologiska sjukdomar
- Faryngeala neoplasmer
- Otorhinolaryngologiska neoplasmer
- Nasofaryngeala sjukdomar
- Faryngeala sjukdomar
- Nasofaryngeala neoplasmer
- Nasofaryngealt karcinom
- Neoplasma Metastas
Andra studie-ID-nummer
- B2025-062-01
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
IPD-planbeskrivning
Enskilda deltagande data (IPD) kanske inte delas på grund av oro över patientens integritet, etiska överväganden eller institutionell politik.
Begränsningar kan också uppstå från dataskyddsföreskrifter, sekretessavtal eller den potentiella risken för omidentifiering.
Om uppgifterna inkluderar känslig medicinsk information kan delning dessutom kräva särskilda godkännanden eller avidentifieringsprocesser som inte är genomförbara.
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 .