Djup inlärningsbaserad analys av kolorektala cancerpatologiska bilder: En innovativ metod för att förutsäga subtyper av kolorektal cancer
13 april 2025 uppdaterad av: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
AI-driven copiloter för precisionsdiagnos och kirurgisk bedömning av histologiska tillväxtmönster i resektabla kolorektala levermetastaser: En prospektiv studie
Colorectal cancer (CRC) är en ledande orsak till dödlighet i Kina, med metastas som avsevärt bidrar till dåliga resultat.
Histopatologiska tillväxtmönster (HGP) i kolorektal levermetastas (CRLM) ger viktiga prognostiska insikter, men det begränsade antalet patologer belyser behovet av hjälpdiagnostiska verktyg.
Nya framsteg inom artificiell intelligens (AI) har visat potentialen för att förbättra diagnostisk precision, vilket uppmanat utvecklingen av specialiserade AI -modeller som kaffe för att förbättra klassificeringen och hanteringen av HGP: er hos CRLM -patienter.
Denna studie syftar till att utveckla och validera en transformatorbaserad djupinlärningsmodell, kaffe, för klassificering av subtyper av kolorektal cancer med hjälp av hela bildbilder (WSIS) från patienter som diagnostiserats med kolorektal cancerlevermetastas.
Modellen är förutbildad med hjälp av självövervakad inlärning (DINO) på WSI: er från TCGA-Coad-kohorten, med hjälp av en Vision Transformer (VIT) arkitektur för att extrahera 384-dimensionella funktionsvektorer från 256 × 256 pixelplåster.
Kaffemodellen integrerar en transformatorbaserad ram för flera instansinlärning (Transmil), som innehåller multi-head självuppsättning och pyramidpositionskodningsgenerator (PPEG) -moduler för att aggregera rumslig och morfologisk information.
Studien inkluderar utbildning, testning och prospektiva valideringskohorter och utvärderar modellens prestanda i både binära och flerklassiga klassificeringsinställningar, liksom dess potential att hjälpa patologer i kliniska arbetsflöden.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
431
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510655
- Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University
-
-
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
Studien involverade 431 patienter med kolorektal cancerlevermetastas, alla genomgick kirurgi vid det sjätte anslutna sjukhuset vid Sun Yat-Sen University.
Kohorten bestod av 297 patienter i träningsuppsättningen och 104 patienter i testuppsättningen.
Beskrivning
Inkluderingskriterier:
- Patienter som diagnostiserats med kolorektal cancerlevermetastas (CRLM) som genomgår kirurgisk behandling;
- Den maximala diametern för resekterade metastatiska lesioner bör vara ≥ 2 cm;
- Tillgänglighet av patologiska bilder tillsammans med baslinjen kliniska, biologiska och patologiska egenskaper.
Uteslutningskriterier:
- Vävnadssektioner erhållna från biopsiprover;
- Frånvaro av livskraftig tumörvävnad i metastatiska lesioner;
- Lesioner som tidigare behandlats med ablation följt av kirurgisk resektion, vilket resulterade i otillräcklig vävnads bildkvalitet.
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 |
|---|---|
|
Kirurgisk patologi glider från Sahsysu, 1 994 WSI: er från 297 bilder daterade 3 juli 2013.
Denna grupp inkluderar 297 patienter med kolorektal cancerlevermetastas (CRLM), från vilken 1 994 hela bildbilder (WSI) samlades in.
Dessa bilder användes för att utveckla och testa kaffe AI -modellen för histopatologiska tillväxtmönster (HGP) klassificering, vilket gav värdefull insikt för tumörkaraktärisering och prognos.
|
Kirurgisk resektion av kolorektal cancerlevermetastas (CRLM) involverar avlägsnande av metastatiska lesioner från levern.
Denna procedur syftar till att förbättra överlevnadsnivån och minska tumörbörda hos patienter som diagnostiserats med CRLM.
Resektion utförs för att behandla levermetastas, och kliniska resultat, såsom progressionsfri överlevnad (PFS) och övergripande överlevnad (OS), bedöms efter operationen för att bestämma behandlingseffektiviteten.
|
|
Kirurgisk patologi glider från Sahsysu, 972 WSI från 104 patienter daterad 21 april 2023.
Denna kohort innehåller 104 patienter som diagnostiserats med CRLM.
972 WSIS samlades in för att validera kaffemodellen på ett nyare datasätt, och utvärderade modellens prestanda i både binära och fyrklassiga HGP-klassificeringar.
|
Kirurgisk resektion av kolorektal cancerlevermetastas (CRLM) involverar avlägsnande av metastatiska lesioner från levern.
Denna procedur syftar till att förbättra överlevnadsnivån och minska tumörbörda hos patienter som diagnostiserats med CRLM.
Resektion utförs för att behandla levermetastas, och kliniska resultat, såsom progressionsfri överlevnad (PFS) och övergripande överlevnad (OS), bedöms efter operationen för att bestämma behandlingseffektiviteten.
|
|
Kirurgisk patologi glider från Sahsysu, 114 WSI från 30 patienter daterade 2024.
Denna prospektiva kohort består av 30 patienter med CRLM, varifrån 114 WSI erhölls 2024.
Kohorten användes för att bedöma den kliniska användbarheten av kaffe AI -modellen genom en prospektiv studie och jämförde patologernas diagnostiska prestanda med och utan AI -hjälp.
|
Kirurgisk resektion av kolorektal cancerlevermetastas (CRLM) involverar avlägsnande av metastatiska lesioner från levern.
Denna procedur syftar till att förbättra överlevnadsnivån och minska tumörbörda hos patienter som diagnostiserats med CRLM.
Resektion utförs för att behandla levermetastas, och kliniska resultat, såsom progressionsfri överlevnad (PFS) och övergripande överlevnad (OS), bedöms efter operationen för att bestämma behandlingseffektiviteten.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Klassificeringsnoggrannhet (%) av kaffe AI -modellen i binär identifiering av histopatologiska tillväxtmönster (HGP) i CRLM med hjälp av hela bildbilder
Tidsram: 6 månader efter operationen (för blivande kohort)
|
Detta resultat mäter diagnostisk klassificeringsnoggrannhet för kaffe AI -modellen för att detektera histopatologiska tillväxtmönster (HGP) hos patienter med kolorektal cancerlevermetastas (CRLM).
Noggrannhet definieras som andelen korrekt förutsagda HGP -etiketter jämfört med markens sanningsetiketter bestämda av konsensus från expertpatologer.
Analysen inkluderar binär klassificering (Desmoplastic vs. icke-desmoplastisk).
Noggrannhet kommer att beräknas som: noggrannhet = Totalt antal förutsägelser / antal korrekta förutsägelser × 100%.
Resultatet kommer att bedömas med hjälp av digitala hela bildbilder erhållna från levermetastasprover som samlats in under operationen.
Modellprestanda kommer att utvärderas 6 månader efter operationen i en prospektiv valideringskohort.
|
6 månader efter operationen (för blivande kohort)
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Klassificeringsnoggrannhet (%) av kaffe AI-modellen i identifiering av multiklass av histopatologiska tillväxtmönster (HGP) i CRLM med hjälp av hela bildbilder
Tidsram: 6 månader efter operationen (för blivande kohort)
|
Detta resultat mäter diagnostisk klassificeringsnoggrannhet för kaffe AI -modellen för att detektera histopatologiska tillväxtmönster (HGP) hos patienter med kolorektal cancerlevermetastas (CRLM).
Noggrannhet definieras som andelen korrekt förutsagda HGP -etiketter jämfört med markens sanningsetiketter bestämda av konsensus från expertpatologer.
Analysen inkluderar fyra-klassens klassificering (desmoplastisk, ersättning, tryck och blandad).
Noggrannhet kommer att beräknas som: noggrannhet = Totalt antal förutsägelser / antal korrekta förutsägelser × 100%.
Resultatet kommer att bedömas med hjälp av digitala hela bildbilder erhållna från levermetastasprover som samlats in under operationen.
Modellprestanda kommer att utvärderas 6 månader efter operationen i en prospektiv valideringskohort.
|
6 månader efter operationen (för blivande kohort)
|
Andra resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Progressionsfri överlevnad (PFS, i månader) i kolorektal cancerlevermetastas (CRLM) patienter stratifierade av AI-baserade histopatologiska tillväxtmönster (HGP) klassificering
Tidsram: Upp till 3 år efter operationen
|
Detta resultat utvärderar sambandet mellan AI-baserad HGP-klassificering (desmoplastisk och icke-desmoplastisk) och progressionsfri överlevnad (PFS) hos patienter med kolorektal cancerlevermetastas (CRLM) efter kurativ-avsektion.
PFS definieras som tiden från operation till sjukdomsprogression eller död av någon orsak.
Kaplan-Meier-analys kommer att användas för att uppskatta PFS för varje HGP-grupp, med jämförelser med log-rank-test.
Multivariata Cox -regressionsmodeller kommer att bedöma det prognostiska värdet för HGP: er, justera för kliniska kovariater (t.ex. ålder, kön, metastasantal/storlek, kemoterapi, marginalstatus, tumörbörda poäng).
Riskförhållanden med 95% konfidensintervall kommer att rapporteras.
Modellantaganden testas och justeras vid behov.
|
Upp till 3 år efter operationen
|
|
Övergripande överlevnad (OS, i månader) i kolorektal cancerlevermetastaser (CRLM) patienter stratifierade av AI-baserade histopatologiska tillväxtmönster (HGP) klassificering
Tidsram: Upp till 3 år efter operationen
|
Detta resultat utvärderar sambandet mellan AI-baserad HGP-klassificering (desmoplastisk och icke-desmoplastisk) och övergripande överlevnad (OS) hos patienter med kolorektal cancerlevermetastas (CRLM) efter kurativ-intentresektion.
OS definieras som tiden från operation till döds av alla orsaker.
Kaplan-Meier-analys kommer att användas för att uppskatta OS för varje HGP-grupp, med jämförelser med log-rank-test.
Multivariata Cox -regressionsmodeller kommer att bedöma det prognostiska värdet för HGP: er, justera för kliniska kovariater (t.ex. ålder, kön, metastasantal/storlek, kemoterapi, marginalstatus, tumörbörda poäng).
Riskförhållanden med 95% konfidensintervall kommer att rapporteras.
Modellantaganden testas och justeras vid behov.
|
Upp till 3 år efter operationen
|
|
Tid till diagnos (i minuter) av patologer med och utan AI-assisterad kaffemodell i CRLM HGP-klassificering
Tidsram: Under den blivande provperioden (6 månader)
|
Detta resultat utvärderar effekterna av den AI-assisterade kaffemodellen på diagnostisk effektivitet genom att jämföra den tid som patologer krävs för att klassificera histopatologiska tillväxtmönster (HGP) av kolorektal cancerlevermetastas (CRLM), med och utan kaffehjälp.
Metriken är tiden (minuter) från Slide Review Start till slutdiagnos, mätt för varje patolog med hjälp av en standardiserad digital hela bildbildsplattform.
Jämförelsen inkluderar två armar: den AI-assisterade diagnosarmen, där juniorpatologer använder kaffe som ett beslutsstödverktyg och den konventionella diagnosarmen, där patologer utför manuell klassificering baserad på visuell histopatologisk bedömning.
Alla deltagare granskar samma uppsättning bilder i randomiserad ordning och diagnostisk tid loggas av visningsprogramvaran.
Beskrivande statistik (median, IQR) kommer att rapporteras.
|
Under den blivande provperioden (6 månader)
|
|
Diagnostisk noggrannhet (procent av korrekta klassificeringar) av patologer med och utan AI-assisterad kaffemodell i CRLM HGP-klassificering
Tidsram: Under den blivande provperioden (6 månader)
|
Detta resultat utvärderar diagnostisk noggrannhet för patologer vid klassificering av histopatologiska tillväxtmönster (HGP) av kolorektal cancerlevermetastas (CRLM), jämför AI-assisterade kontra konventionella diagnostiska arbetsflöden.
Noggrannhet definieras som andelen korrekt klassificerade hela bildbilder (WSIS) relativt en guldstandardkonsensusdiagnos av expert gastrointestinala patologer.
Varje patolog kommer självständigt att klassificera samma uppsättning CRLM WSI under två förhållanden: med AI -hjälp (kaffemodell) och utan AI -hjälp (manuell bedömning).
Klassificering kommer att utvärderas för både binära HGP-kategorier (desmoplastiska kontra icke-desmoplastiska) och fyrklassiga HGP-kategorier (desmoplastisk, ersättning, tryck, blandad).
Noggrannhet kommer att beräknas som: noggrannhet = Totalt antal förutsägelser / antal korrekta förutsägelser × 100%.
|
Under den blivande provperioden (6 månader)
|
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)
22 maj 2023
Primärt slutförande (Faktisk)
6 mars 2024
Avslutad studie (Faktisk)
6 mars 2024
Studieregistreringsdatum
Först inskickad
3 april 2025
Först inskickad som uppfyllde QC-kriterierna
13 april 2025
Första postat (Faktisk)
20 april 2025
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
20 april 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
13 april 2025
Senast verifierad
1 april 2025
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2023ZSLYEC-256
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 .