Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Multimodal Deep Learning för lymfkörtelmetastas i sköldkörtelcancer

22 december 2025 uppdaterad av: Yu Feng, West China Hospital

En multicenterstudie om utveckling av en multimodal djupinlärningsmodell baserad på färgdopplerultraljud för att förutsäga lymfkörtelmetastas och cancerstaging vid papillärt tyreoideakarcinom

Papillärt sköldkörtelcarcinom (PTC) är den vanligaste endokrina maligniteten i klinisk praxis, vilket utgör ungefär 85% av alla sköldkörtelmaligniteter. Förekomsten av cervikal lymfkörtelmetastas ökar ytterligare risken för lokal tumöråterkomst och fjärrmetastas, vilket därmed minskar patienternas överlevnadsgrad. Patologiska undersökningar visar att ungefär 30-80% av PTC-patienter har lymfkörtelmetastas. Tidig upptäckt av metastatiska lymfkörtlar och utveckling av individualiserade behandlingsplaner är avgörande för att förbättra patienternas prognos. För närvarande är den primära metoden för att diagnostisera lymfkörtelmetastas ultraljudsstyrd finnålsaspiration, men dess noggrannhet begränsas av provkvaliteten och bär en risk för falskt negativa resultat. Under de senaste åren har djupinlärningsteknik visat betydande potential inom området medicinsk bildanalys. Därför syftar forskarna till att utveckla en djupinlärningsmodell baserad på halsultraljud för att mer exakt förutsäga lymfkörtelmetastas.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Beräknad)

3200

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studera Kontakt Backup

Studieorter

  • Kina
    • Sichuan
      • Chengdu, Sichuan, Kina, 610041
        • West China Hospital of Sichuan University
        • Kontakt:
        • Kontakt:

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

Kliniska data från patienter som genomgick tyreoidektomi vid West China Hospital of Sichuan University och dess tillhörande filialer mellan oktober 2020 och oktober 2025 samlades in och analyserades retrospektivt.

Beskrivning

Inklusionskriterier:

Patienter i åldern 18–80 år som genomgått ultraljudsundersökning av sköldkörteln och postoperativ patologisk undersökning av sköldkörteln.

Patienter med första gången diagnostiserad papillär sköldkörtelcancer. Patienter som genomgått lymfknutedissektion.

Exklusionskriterier:

Patienter i åldern <18 år eller >80 år. Patienter med ultraljudsbilder av dålig kvalitet. Patienter med ofullständigt visualiserade noduler. Patienter med bilder som visar flera distinkta lesioner. Patienter som tillhör speciella populationer. Patienter med samtidiga andra tumörer. Patienter med tidigare resektion av sköldkörtelcancer.

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
Grupp med papillärt tyroideacancer
Övrig: inte intervention
Detta är en retrospektiv observationsstudie där deltagarna inte kommer att genomgå några interventioner, och endast datainsamling och analys kommer att utföras på deltagarna.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Area Under the Receiver Operating Characteristic Curve for a Multimodal Deep Learning Model Based on Cervical Ultrasound in Predicting Lymph Node Metastasis
Tidsram: Inom 2 månader efter avslutad rekrytering av försökspersoner
Forskaren kommer att använda en multimodal djupinlärningsmodell som integrerar preoperativa cervikala färgdopplerultraljudsbilder med motsvarande strukturerade textrapporter. Modellens slutliga utdata är en förutsagd sannolikhet för lymfkörtelmetastas för varje patient (ett kontinuerligt värde mellan 0 och 1). Denna förutsagda sannolikhet kommer att jämföras med postoperativa histopatologiska diagnosresultat (guldstandarden). En receiver operating characteristic-kurva kommer att ritas för modellen, och dess area under kurvan kommer att beräknas. Detta är guldstandardmåttet för att utvärdera den diskriminerande förmågan hos en binär klassificeringsmodell (metastas vs. icke-metastas). Ett högre AUC-värde indikerar starkare övergripande diskriminerande kraft hos modellen.
Inom 2 månader efter avslutad rekrytering av försökspersoner
Känsligheten hos en multimodal djupinlärningsmodell baserad på cervikal ultraljud för att förutsäga lymfkörtelmetastas
Tidsram: Inom 2 månader efter avslutad inkludering av patienter.
Detta mått syftar till att utvärdera förmågan hos den konstruerade multimodala djupinlärningsmodellen att korrekt identifiera patienter med papillärt tyreoideacancer som verkligen har cervikal lymfkörtelmetastas, under den optimala diagnostiska tröskeln. Forskare behöver samla in antalet patienter som diagnostiserats med lymfkörtelmetastas genom postoperativ patologi, samt antalet patienter som förutsägs som "positiva" (dvs förutsägs ha metastas) av modellen, för att beräkna känsligheten hos den cervikala ultraljudsbaserade multimodala djupinlärningsmodellen i att förutsäga lymfkörtelmetastas. Beräkningsformel: Känslighet = Antal sanna positiva patienter / Totalt antal positiva patienter bekräftade genom postoperativ patologi.
Inom 2 månader efter avslutad inkludering av patienter.
Specifikation av en multimodal djupinlärningsmodell baserad på cervixultraljud för att förutsäga lymfkörtelmetastas
Tidsram: Inom 2 månader efter avslutad rekrytering av deltagare.
Detta mått syftar till att utvärdera förmågan hos den konstruerade multimodal djupinlärningsmodellen att korrekt utesluta patienter med papillärt tyroideacancer som inte har utvecklat cervikal lymfkörtelmetastas, under den optimala diagnostiska tröskeln. Forskare behöver samla antalet patienter som diagnostiserats utan lymfkörtelmetastas via postoperativ patologi, samt antalet patienter som modellen förutspått som "negativa" (dvs. förutspådda att inte ha metastas), för att beräkna specificiteten hos den cervikala ultraljudsbaserade multimodal djupinlärningsmodellen för att förutsäga lymfkörtelmetastas. Beräkningsformel: Specificitet = Antal sanna negativa patienter / Totalt antal negativa patienter bekräftade av postoperativ patologi.
Inom 2 månader efter avslutad rekrytering av deltagare.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Den patologiskt bekräftade metastasfrekvensen i lymfkörtlar i studiepopulationen
Tidsram: Inom 2 månader efter avslutad rekrytering av deltagare
Det hänvisar till andelen patienter med minst en metastatisk lymfkörtel som bekräftats genom postoperativ patologisk undersökning, i förhållande till det totala antalet individer i den aktuella studiepopulationen. Forskare behöver samla in antalet patienter som diagnostiserats med lymfkörtelmetastas genom postoperativ patologisk undersökning.
Inom 2 månader efter avslutad rekrytering av deltagare
Justerade oddsförhållanden för kliniska faktorer associerade med patologiskt bekräftad lymfkörtelmetastas
Tidsram: Inom 2 månader efter avslutad patientrekrytering
Forskarna behöver samla in utfallsvariabeln (dvs. postoperativt patologiskt bekräftad lymfkörtelmetastasstatus) och dess exponeringsvariabler (såsom den specifika platsen för den primära tumören inom sköldkörteln, maximal tumördiameter, patientens ålder, etc.). Med hjälp av dessa variabler beräknas de justerade oddsförhållandena för att återspegla, efter justering för andra förvirrande faktorer, hur många gånger mer sannolikt patienter med en specifik exponeringskaraktäristik (t.ex. tumör belägen i den övre polen) är att ha lymfkörtelmetastas jämfört med patienter i referensgruppen (t.ex. tumör belägen i den nedre polen).
Inom 2 månader efter avslutad patientrekrytering
Den viktade Kappakoefficienten för överensstämmelsen mellan modellförutsagd pTNM-stadium och patologiskt stadium
Tidsram: Inom 2 månader efter att deltagarnas inkludering har slutförts
Forskare behöver samla in och registrera den modellförutsagda pTNM-stadiet och patientens sanna pTNM-stadium för att utvärdera överensstämmelsen mellan den modellförutsagda fullständiga pTNM-stadiet och det patologiska stadiet.
Inom 2 månader efter att deltagarnas inkludering har slutförts

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

West China Hospital

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 januari 2026

Primärt slutförande (Beräknad)

1 mars 2026

Avslutad studie (Beräknad)

1 maj 2026

Studieregistreringsdatum

Först inskickad

9 december 2025

Först inskickad som uppfyllde QC-kriterierna

22 december 2025

Första postat (Faktisk)

23 december 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

23 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

22 december 2025

Senast verifierad

1 december 2025

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2025(2352)

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 .

Prenumerera