使用基于深度学习的临床、生物学和超声模型对高危患者进行肝癌发生的风险分层 (STARHE)
根据世界卫生组织的数据，到 2030 年，肝细胞癌 (HCC) 将成为癌症相关死亡的第二大原因，每年导致超过 100 万人死亡。
迄今为止，法国对所有患者的肝细胞癌筛查仍然统一，仅基于每 6 个月一次的肝脏超声检查。 该策略具有三个主要局限性：缺乏个性化、依从性低、超声性能相对较差。
已经为慢性丙型肝炎、酒精性肝硬化和非酒精性脂肪性肝炎 (NASH) 开发了风险分层模型，包括临床和生物学参数，但没有对作为肝癌发生的病理生理学底物的肝实质进行分析。
新的人工智能技术的出现可能会彻底改变这种方法，并导致个性化的放射筛查策略。
深度学习是机器学习的一个子类，是一个热门的研究领域，它可以通过自动识别人类未定义的新图像特征来帮助人类执行某些任务。
本研究的假设是非肿瘤性肝硬化肝实质具有丰富的结构信息，可以反映肝病的严重程度、致癌风险和肝癌发生过程。其分析与临床和生物学数据相结合，这些数据已经被研究用于对肝癌发生的风险进行分层，将允许定义一个非常高风险的人群，特别是在丙型肝炎病毒 (HCV) 根除和乙型肝炎病毒 (HBV) 的背景下） 控制。
因此，本研究提出前瞻性地设计一个深度学习模型，通过包括临床、生物学和放射学超声参数来对肝癌发生的风险进行分层。
研究概览
详细说明
根据世界卫生组织的数据，到 2030 年，肝细胞癌 (HCC) 将成为癌症相关死亡的第二大原因，每年导致超过 100 万人死亡。
迄今为止，法国对所有患者的肝细胞癌筛查仍然统一，仅基于每 6 个月一次的肝脏超声检查。 该方案的优点是具有可接受的成本效益比，最重要的是，可以提高总体生存率。 然而，该策略具有三个主要局限性：缺乏个性化、依从性低、超声性能相对较差。
已经为慢性丙型肝炎、酒精性肝硬化和非酒精性脂肪性肝炎 (NASH) 开发了风险分层模型，包括临床（年龄、性别、体重指数和糖尿病）和生物学（ASAT/ALAT、血小板、白蛋白）参数。 然而，它们没有包括对肝实质的分析，肝实质是肝癌发生的病理生理学底物。 在 20 世纪 90 年代，几位作者根据肝脏回声结构研究了肝细胞癌的发病率。 他们同意由估计比率高达 20 的结节状异质回声结构代表的过度风险。
然而，所有这些结果尚未导致个性化的放射学筛查策略。 新的人工智能技术的出现可能会彻底改变这种方法。
深度学习是机器学习的一个子类，是一个热门的研究领域，可以帮助人类执行某些任务。 与放射组学不同，深度学习可以自动识别人类未定义的新图像特征。
本研究的假设是非肿瘤性肝硬化肝实质具有丰富的结构信息，可以反映肝病的严重程度、致癌风险和肝癌发生过程。其分析与临床和生物学数据相结合，这些数据已经被研究用于对肝癌发生的风险进行分层，将允许定义一个非常高风险的人群，特别是在丙型肝炎病毒 (HCV) 根除和乙型肝炎病毒 (HBV) 的背景下） 控制。
因此，本研究提出前瞻性地设计一个深度学习模型，通过包括临床、生物学和放射学超声参数来对肝癌发生的风险进行分层。 该研究的主要目的是确定发生肝癌的风险非常高的人群，以便为风险最高的患者提出不同的筛查方式。
根据欧洲肝脏研究协会 (EASL) 对肝细胞癌筛查的建议，这项临床研究将包括由肝病专家转诊的 18 岁以上患者，非肝硬化 HBV 肝病除外：非- 基于肝癌个体风险评估的任何原因引起的肝硬化 F3 期肝病；任何原因引起的肝硬化，非病毒性或病毒学治愈（HCV）或控制（HBV）。 具有治疗过的肝细胞癌病史的患者将被排除在外。
将前瞻性地组成两组患者：第 1 组将包括诊断为大于 1 cm 的肝细胞癌的患者（参考诊断标准：放射学或组织学）。 因此，这些患者将对应于非常高的风险；第 2 组将包括没有肝细胞癌的患者，因此对应于较低的风险。 将对第 2 组患者进行 1 年间隔的超声检查，以确认在纳入后的一年内没有新的结节。 新发肝细胞癌的比例不应超过3%。
收集的数据将是临床、生物学、弹性成像和超声参数。
将使用这些数据在 Python 上开发使用深度卷积神经网络架构的深度学习模型。
在总共 7 个调查地点，300 名患者（在两组之间公平分配）将被纳入训练/验证队列，100 名患者（在两组之间公平分配）将被纳入测试队列。 这些数字是根据超声研究计算得出的，报告在大结节超声模式和深度学习要求（需要大量数据）的情况下 HCC 风险比率高达 20。
培训/验证和测试队列将来自外部和独立中心。
该模型的诊断性能将通过曲线下面积 (AUC)、灵敏度、特异性和 F1 分数（95% 置信区间）对测试队列进行评估。
研究类型
注册 (实际的)
阶段
- 不适用
联系人和位置
学习地点
-
-
-
Angers、法国、49100
- CHU Angers
-
Bobigny、法国、93000
- Hopital Avicenne
-
Clichy、法国、92110
- Hopital Beaujon
-
Lyon、法国、69003
- Hospices Civils de Lyon, Hôpital Edouard Herriot
-
Lyon、法国、69317
- Groupement Hospitalier Nord, Hôpital de la Croix-Rousse
-
Montpellier、法国、34090
- CHU Montpellier
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
描述
纳入标准：
- 18 岁以上的男性或女性。
- 根据 EASL 肝细胞癌筛查建议，由肝病专家在超声筛查框架内转诊的患者。
- 根据对肝癌风险的个体评估，任何原因的非肝硬化 F3 肝病。
- 任何原因引起的肝硬化，非病毒性或病毒学治愈 (HCV) 或控制 (HBV)。
- 根据临床、生物学、超声（肝细胞功能不全、门脉高压）和弹性成像标准，经组织学证据证明或专家委员会确认患有肝病的患者。
- 患者能够接收和理解与研究相关的信息并给出他/她的书面知情同意书。
- 患者隶属于法国社会保障体系。
排除标准：
- 肝癌史
- 患有非肝硬化病毒性 B 型肝病或不受控制的 (HBV) 或未治愈 (HCV) 病毒性肝硬化的患者。
- 受司法保护、监护或托管的患者。
- 处于社会脆弱状态的患者。
- 受法律保护或无法表示同意的患者
学习计划
研究是如何设计的？
设计细节
- 主要用途：诊断
- 分配：非随机化
- 介入模型：并行分配
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：高危人群
肝细胞癌大于 1 cm 的患者。
所有来自超声筛查计划且被诊断患有大于 1 厘米的结节并转诊到我们中心的患者都将包括在该组中。
如果根据放射学或组织学参考诊断标准（金标准）未保留肝细胞癌的诊断，则他们将被排除在该组之外。
|
将通过肋间途径进行一到三个 10 秒的视频采集。
数据采集将根据强制性协议进行标准化，并预先记录在每台超声机器中（交叉镜头、谐波、滤波器、深度、焦距、机械指数等）。
|
|
实验性的：低危人群
没有肝细胞癌的患者。
将进行 1 年间隔超声检查，以确认纳入后的一年内没有新结节。
|
将通过肋间途径进行一到三个 10 秒的视频采集。
数据采集将根据强制性协议进行标准化，并预先记录在每台超声机器中（交叉镜头、谐波、滤波器、深度、焦距、机械指数等）。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
通过基于深度学习的交叉分析对高危患者肝癌发生的风险进行分层。
大体时间：12个月
|
基于深度学习的临床、生物学、弹性成像和超声（非肿瘤肝实质）参数的交叉分析
|
12个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
通过基于深度学习的交叉分析开发新的筛选策略
大体时间：12个月
|
基于深度学习的临床、生物学、弹性成像和超声（非肿瘤肝实质）参数的交叉分析
|
12个月
|
|
开发一种算法，通过基于深度学习的交叉分析来识别处于多灶性和弥漫性形式风险中的患者
大体时间：12个月
|
基于深度学习的临床、生物学、弹性成像和超声（非肿瘤肝实质）参数的交叉分析
|
12个月
|
|
通过基于深度学习的交叉分析对超声检测到的结节进行表征
大体时间：12个月
|
基于深度学习的临床、生物学、弹性成像和超声（非肿瘤肝实质）参数的交叉分析
|
12个月
|
|
通过基于深度学习的交叉分析表征结节与相邻肝实质的界面
大体时间：12个月
|
基于深度学习的临床、生物学、弹性成像和超声（非肿瘤肝实质）参数的交叉分析
|
12个月
|
合作者和调查者
调查人员
- 首席研究员：Jérémy DANA, MD、IHU Strasbourg
出版物和有用的链接
一般刊物
- Cadier B, Bulsei J, Nahon P, Seror O, Laurent A, Rosa I, Layese R, Costentin C, Cagnot C, Durand-Zaleski I, Chevreul K; ANRS CO12 CirVir and CHANGH groups. Early detection and curative treatment of hepatocellular carcinoma: A cost-effectiveness analysis in France and in the United States. Hepatology. 2017 Apr;65(4):1237-1248. doi: 10.1002/hep.28961. Epub 2017 Feb 8.
- Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A Deep Learning Model to Triage Screening Mammograms: A Simulation Study. Radiology. 2019 Oct;293(1):38-46. doi: 10.1148/radiol.2019182908. Epub 2019 Aug 6.
- Costentin CE, Layese R, Bourcier V, Cagnot C, Marcellin P, Guyader D, Pol S, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Serfaty L, Mallat A, Grange JD, Attali P, Bacq Y, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Letouze E, Imbeaud S, Zucman-Rossi J, Audureau E, Roudot-Thoraval F, Nahon P; ANRS CO12 CirVir Group. Compliance With Hepatocellular Carcinoma Surveillance Guidelines Associated With Increased Lead-Time Adjusted Survival of Patients With Compensated Viral Cirrhosis: A Multi-Center Cohort Study. Gastroenterology. 2018 Aug;155(2):431-442.e10. doi: 10.1053/j.gastro.2018.04.027. Epub 2018 May 3.
- Ioannou GN, Green P, Kerr KF, Berry K. Models estimating risk of hepatocellular carcinoma in patients with alcohol or NAFLD-related cirrhosis for risk stratification. J Hepatol. 2019 Sep;71(3):523-533. doi: 10.1016/j.jhep.2019.05.008. Epub 2019 May 28.
- Audureau E, Carrat F, Layese R, Cagnot C, Asselah T, Guyader D, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Chazouilleres O, Mallat A, Grange JD, Attali P, d'Alteroche L, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Pol S, Nahon P; ANRS CO12 CirVir group. Personalized surveillance for hepatocellular carcinoma in cirrhosis - using machine learning adapted to HCV status. J Hepatol. 2020 Dec;73(6):1434-1445. doi: 10.1016/j.jhep.2020.05.052. Epub 2020 Jun 29.
- Kitamura S, Iishi H, Tatsuta M, Ishikawa H, Hiyama T, Tsukuma H, Kasugai H, Tanaka S, Kitamura T, Ishiguro S. Liver with hypoechoic nodular pattern as a risk factor for hepatocellular carcinoma. Gastroenterology. 1995 Jun;108(6):1778-84. doi: 10.1016/0016-5085(95)90140-x.
- Tarao K, Hoshino H, Shimizu A, Ohkawa S, Harada M, Nakamura Y, Ito Y, Tamai S, Okamoto N. Patients with ultrasonic coarse-nodular cirrhosis who are anti-hepatitis C virus-positive are at high risk for hepatocellular carcinoma. Cancer. 1995 Mar 15;75(6):1255-62. doi: 10.1002/1097-0142(19950315)75:63.0.co;2-q.
- Caturelli E, Castellano L, Fusilli S, Palmentieri B, Niro GA, del Vecchio-Blanco C, Andriulli A, de Sio I. Coarse nodular US pattern in hepatic cirrhosis: risk for hepatocellular carcinoma. Radiology. 2003 Mar;226(3):691-7. doi: 10.1148/radiol.2263011737. Epub 2003 Jan 24.
- Dana J, Agnus V, Ouhmich F, Gallix B. Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective. Semin Nucl Med. 2020 Nov;50(6):541-548. doi: 10.1053/j.semnuclmed.2020.07.003. Epub 2020 Aug 2.
- Dohan A, Gallix B, Guiu B, Le Malicot K, Reinhold C, Soyer P, Bennouna J, Ghiringhelli F, Barbier E, Boige V, Taieb J, Bouche O, Francois E, Phelip JM, Borel C, Faroux R, Seitz JF, Jacquot S, Ben Abdelghani M, Khemissa-Akouz F, Genet D, Jouve JL, Rinaldi Y, Desseigne F, Texereau P, Suc E, Lepage C, Aparicio T, Hoeffel C; PRODIGE 9 Investigators and PRODIGE 20 Investigators. Early evaluation using a radiomic signature of unresectable hepatic metastases to predict outcome in patients with colorectal cancer treated with FOLFIRI and bevacizumab. Gut. 2020 Mar;69(3):531-539. doi: 10.1136/gutjnl-2018-316407. Epub 2019 May 17.
- Savadjiev P, Chong J, Dohan A, Agnus V, Forghani R, Reinhold C, Gallix B. Image-based biomarkers for solid tumor quantification. Eur Radiol. 2019 Oct;29(10):5431-5440. doi: 10.1007/s00330-019-06169-w. Epub 2019 Apr 8.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.
- European Association for the Study of the Liver. Corrigendum to "EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma" [J Hepatol 69 (2018) 182-236]. J Hepatol. 2019 Apr;70(4):817. doi: 10.1016/j.jhep.2019.01.020. Epub 2019 Feb 7. No abstract available.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.