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

Avancerad klassificering av tjocktumstumörer från CT-scanningar med hjälp av djupinlärning för optimerad behandlingsbeslutsfattande. (DeepColScan)

6 februari 2026 uppdaterad av: Assistance Publique - Hôpitaux de Paris

Avancerad Klassificering av Tjocktumstumörer Från CT-bilder Genom Djupinlärning för Optimerad Behandlingsbeslutsfattande : en Multicenterstudie

Denna studie syftar till att förbättra klassificeringen av tumörer i tjocktarmen med hjälp av djupinlärningsmodeller tränade på CT-avbildningar, särskilt för att skilja mellan T1-T2 kontra T3-T4-stadier och N- kontra N+ lymfkörtelinvolvering. Denna klassificering är avgörande för att vägleda preoperativ behandling såsom kemoterapi eller immunterapi. Med tanke på den begränsade noggrannheten hos radiologer i nuvarande stadieindelningspraxis, skulle automatiserade bildbaserade AI-verktyg kunna förbättra diagnostisk precision och reproducerbarhet, vilket leder till mer personanpassad och effektiv behandlingsplanering. Forskaren kommer att utveckla och validera konvolutionella och transformer-baserade djupinlärningsmodeller med hjälp av en stor annoterad datamängd från flera centra. Sekundära mål inkluderar finkornig stadieindelning (T1 till T4), undergruppsspecifika modeller (MSS kontra MSI) och prediktiva modeller för kirurgisk

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Detaljerad beskrivning

Detta är en retrospektiv, icke-interventionell, observationsstudie som utvärderar användningen av djupinlärningsmetoder för att förbättra preoperativ CT-baserad TNM-stadieindelning hos patienter med tjocktarmscancer. Studien genomförs på flera platser inom AP-HP-sjukhusnätverket (Paris, Frankrike) och använder data extraherad från den institutionella hälsodataupplagringen.

Radiologisk noggrannhet vid bedömning av tumörstadium (T) och lymfknutestatus (N) förblir begränsad, trots att den är avgörande för val av neoadjuvant behandling. Artificiella intelligensmodeller tränade på annoterade bilddata kan ge en mer konsekvent, reproducerbar och exakt klassificering.

Studiekohorten inkluderar vuxna patienter som genomgick tjocktarmsresektion mellan januari 2017 och november 2024, med en preoperativ CT-skanning och motsvarande patologirapport. Berättigade fall identifieras med standardiserade diagnostiska (ICD-10) och procedurmässiga (CCAM) koder. Bild- och kliniska data avidentifieras före analys.

Flera AI-modellarkitekturer kommer att testas, inklusive 3D-konvolutionella neurala nätverk och transformer-baserade tillvägagångssätt. CT-skanningar kommer att förbehandlas med standardiserade pipelines; patologimärkningar kommer att extraheras med natural language processing (NLP)-tekniker eller manuell granskning vid behov. Modellprestanda kommer att bedömas genom korsvalidering och utvärderas med AUC, F1-poäng, sensitivitet och specificitet.

Explorativa analyser kommer att inkludera finkornig tumörstadieindelning och det potentiella prognostiska värdet av bildbaserade egenskaper för kliniska utfall som överlevnad.

Inga studie-relaterade procedurer utförs. Alla analyser genomförs på befintliga data, i enlighet med franska dataskydds- och etiska föreskrifter.

Studietyp

Observationell

Inskrivning (Beräknad)

1000

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

  • Frankrike
      • Paris, Frankrike, 75012
        • Departement of radiology, saint Antoin Hospital

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

Vuxna (≥18 år) med patologiskt bekräftad tjocktarmscancer som genomgått kirurgisk resektion vid deltagande sjukhus och haft en tillgänglig preoperativ thorako-abdominopelvik CT-undersökning utförd inom institutionen samt kopplad till en patologirapport innehållande TNM-stadieindelning inom 90 dagar efter operation. Bild- och rapportdata extraherades från institutionens datawarehouse; tvetydiga eller saknade etiketter löstes genom manuell medicinsk granskning.

Beskrivning

Inklusionskriterier:

Vuxna som genomgått kolonresektionskirurgi på ett AP-HP-sjukhus mellan 2017-01-01 och 2024-11-01, med:

En preoperativ abdominopelvisk DT-skanning tillgänglig inom 60 dagar före operationen.

En motsvarande patologirapport (anatomopatologiska resultat) tillgänglig inom 90 dagar efter operationen.

Kolonresektion identifierad med CCAM-procedurkoder:

HHFA002, HHFA004, HHFA005, HHFA006, HHFA008, HHFA009, HHFA010, HHFA014, HHFA017, HHFA018, HHFA021, HHFA022, HHFA023, HHFA024, HHFA026, HHFA028, HHFA029, HHFA030, HHFA031, HHFC040, HHFC296.

Bekräftad diagnos av kolontumör med ICD-10-kod:

C18* (kolonneoplasmer).

Exklusionskriterier:

Patienter som fått neoadjuvant kemoterapi före operationen, identifierade med ICD-10-koderna Z511 eller Z512 registrerade före den kirurgiska åtgärden.

Dessa exkluderingar kommer att förfinas och bekräftas genom manuell journalgranskning för att säkerställa noggrannhet.

Avsaknad av användbar DT-bild eller anatomisk patologidata kopplad till den kirurgiska händelsen.

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
Tran-valideringsgrupp

Vuxna med patologiskt bekräftad tjocktarmscancer som genomgick preoperativ torako-abdominopelvikal DT och efterföljande kolektomi vid deltagande centra; fall som uppfyller bild- och patologikvalitetskriterier användes för modellträning och intern korsvalidering.

AI / Deep Learning DT-analys:

Retrospektiv analys av befintliga preoperativa DT-undersökningar och kopplad patologi/klinisk data för att utveckla och utvärdera automatiserade stadieindelningsmodeller. Inget experimentellt läkemedel, ingen apparat eller procedur administreras.
Testgrupp
Distinkt delmängd (slumpmässigt vald vid början av modellträning) av berättigade koloncancerfall som undanhållits från modellutveckling för att ge oberoende prestandavalidering för T- och N-klassificeringsmodeller samt utforskande sekundäranalyser.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk prestanda hos CT-baserade djupinlärningsmodeller för T (T1-2 mot T3-4) och N (N- mot N+) stadieindelning.
Tidsram: Indexera preoperativ CT genom postoperativ patologirapport (inom 90 dagar efter operation).
Arean under ROC-kurvan (AUC) och F1-poäng för djupinlärningsmodeller vid (a) klassificering av tidig vs avancerad T-stadium (T1-2 vs T3-4) och (b) nodalstatus (N- vs N+) jämfört med patologisk guldstandard.
Sensitivitet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) rapporteras som stödjande mått; modellens prestanda jämförs med historiska radiologiska riktmärken när sådana finns tillgängliga.
Indexera preoperativ CT genom postoperativ patologirapport (inom 90 dagar efter operation).

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Detektionsprestanda för T4-tumörer på preoperativ DT.
Tidsram: Index CT till patologibekräftelse (≤90 dagar efter operation).
AUC, F1, känslighet, specificitet för binär klassificering T4 mot icke-T4 (T1-3). Analyser stratifierade efter tumörlokalisation och kontrastfas när data tillåter.
Index CT till patologibekräftelse (≤90 dagar efter operation).
Noggrannhet i multiklassificering av T-stadium (T1, T2, T3, T4).
Tidsram: Index CT till patologibekräftelse (≤90 dagar).
Makrogenomsnittligt F1, klassvis känslighet/specificitet, förväxlingsmatris och Cohens kappa som jämför modellförutsagd 4-klass T-stadium med patologi.
Index CT till patologibekräftelse (≤90 dagar).
Prognostiskt värde av CT-härledda modellfunktioner för kliniska utfall och överlevnad.
Tidsram: Från index CT till sista uppföljningen (upp till 5 år, eller maximal tillgänglig uppföljning i EHR).
Samband mellan modelutdata (sannolikheter, inbäddningar) och (a) total överlevnad, (b) sjukdomsfri överlevnad. Utvärderat med Kaplan-Meier-analys, log-rank-tester och multivariabla Cox-modeller justerade för kliniska kovariater där tillgängliga.
Från index CT till sista uppföljningen (upp till 5 år, eller maximal tillgänglig uppföljning i EHR).

Samarbetspartners och utredare

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

Sponsor

Assistance Publique - Hôpitaux de Paris

Samarbetspartners

Institut National de Recherche en Informatique et en Automatique

Utredare

  • Huvudutredare: Quentin Vanderbecq, MD, Assistance Publique - Hôpitaux de Paris

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 februari 2026

Primärt slutförande (Beräknad)

1 februari 2028

Avslutad studie (Beräknad)

1 februari 2028

Studieregistreringsdatum

Först inskickad

6 februari 2026

Först inskickad som uppfyllde QC-kriterierna

6 februari 2026

Första postat (Faktisk)

12 februari 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

12 februari 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

6 februari 2026

Senast verifierad

1 februari 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • APHP251408

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