此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

开发临床高效的宫颈癌个体化治疗平台

2026年2月18日 更新者:Supriya Sastri (chopra)、Tata Memorial Hospital

通过整合先进的放射技术、定量成像和分子生物学以及机器学习来治疗宫颈癌,开发用于个体化治疗的临床高效平台。

利用患者数据开发和验证机器学习应用程序的回顾性研究。 已完成治疗的患者的可用成像数据集将用于开发正常组织并发症概率和肿瘤控制概率

假设 整合来自已完成和正在进行的临床试验的现有放射治疗信息、定量成像和患者结果数据,将允许开发基于知识的系统以进行有效的治疗,并允许选择患者用于宫颈癌的强化治疗方法。

研究概览

地位

招聘中

条件

详细说明

对于目标 1。自动描绘宫颈癌的复杂肿瘤靶点,用于基线和近距离放射治疗时的总肿瘤体积 (GTV) 以及基线和近距离放射治疗时的高风险临床靶体积 (CTV),将在 MRI 上完成。

以下结构将在 CT 上进行自动化处理

  1. 低风险临床目标体积(低风险 CTV)
  2. GTV:节点
  3. 选择性盆腔淋巴结目标体积
  4. 选择性盆腔淋巴结和主动脉旁体积
  5. 直肠
  6. 膀胱
  7. 乙状结肠
  8. 肠
  9. 骨髓

对于目标 2。研究人员打算采用机器学习来开发更强大的正常组织毒性预测模型。 还将执行进一步的高级技术,如辐射剂量图的纹理分析和后续组织密度,以开发毒性预测模型。 通过使用我们的患者数据集,研究人员希望使用质子计划系统创建一个质子束计划库,该系统将在放射肿瘤学部门提供,并使用可用的开发的正常组织并发症图,通过质子可达到的剂量信息可以帮助识别将从质子治疗中受益的患者。

对于目标 3。在该项目中,研究人员打算整合分期、病理学和定量成像纹理特征,以预测和识别宫颈癌中的“高危人群”。 来自基线时具有 MRI 的患者的图像和临床数据将被包括在内。纹理特征可用于对放化疗后的“良好”和“不良反应者”进行分类。 对于同一组患者,研究者也有可用的组织,包括其他生物标志物(如 AKT、LICAM、PDL1、CD4 和 CD8)的结果。 研究者打算首先关联纹理特征的差异,看看是否存在不同分子特征的模式。 在第二步中,可以整合成像和分子特征以开发“风险预测模型”。 GTV 和 HRCTV 在 150 个基线数据集上描绘,目标 1 内的近距离放射治疗将用于对反应者和无反应者进行分类,并验证另外 150 个患者数据集。

研究类型

观察性的

注册 (估计的)

1800

联系人和位置

本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。

学习联系方式

研究联系人备份

  • 姓名:Supriya Sastri (nee Chopra), MD
  • 电话号码:5113 02227405000
  • 邮箱:schopra@actrec.gov.in

学习地点

    • Maharashtra
      • Navi Mumbai、Maharashtra、印度、410210
        • 招聘中
        • Advanced Centre of Treatment Research and Education In Cancer,Tata Memorial Centre
        • 接触:
        • 首席研究员:
          • Supriya Chopra, MD

参与标准

研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

18年 至 90年 (成人、年长者)

接受健康志愿者

不

取样方法

非概率样本

研究人群

在我们研究所进行的和已完成的宫颈癌化放疗和近距离放疗临床试验中接受治疗的宫颈癌患者,在诊断和近距离放疗时可获得 MRI/CT 图像,接受术后或根治性放疗,并在术后或根治性放疗试验中接受治疗。

描述

纳入标准:

对于目标 1 和目标 3:

  • 在正在进行和已完成的宫颈癌化放疗和近距离放射治疗临床试验中接受治疗的患者,在诊断和近距离放射治疗时可获得 MRI/CT 图像,目的 2
  • 接受术后或根治性放疗并在术后或根治性放疗试验中接受治疗的患者。

排除标准:

  1. 缺乏疾病或毒性结果。
  2. 医院数据库中缺少图像。

学习计划

本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。

研究是如何设计的?

设计细节

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
用于宫颈癌自动靶标描绘的软件的生成
大体时间:3年

1. 开发和验证用于宫颈癌目标勾画和规划的自动化平台,通过以下方式及时高效地进行

A。基于机器学习的多模态医学诊断图像中异常癌组织的检测。

湾。 培训用于自动规划妇科癌症外照射和近距离放射治疗的机器基础系统。

3年
正常组织并发症图的开发和验证
大体时间:3年
2. 使用现有数据库和辐射剂量图、成像纹理特征和不良事件数据进行机器学习,以开发“正常组织并发症图”并确定可能受益于先进放射技术(如质子治疗)的宫颈癌患者亚组
3年
确定未来可能受益于强化治疗的“高危患者人群”
大体时间:3年
3. 在正在进行的机构和协作临床试验中使用先进的图像纹理分析来识别未来可能受益于强化治疗的“高风险患者群体”
3年

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

调查人员

  • 首席研究员:Supriya Sastri (nee Chopra), MD、Tata Memorial Centre, The Advanced Centre for Treatment, Research and Education in Cancer (ACTREC)

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2022年2月24日

初级完成 (估计的)

2026年6月30日

研究完成 (估计的)

2026年6月30日

研究注册日期

首次提交

2021年10月20日

首先提交符合 QC 标准的

2021年10月20日

首次发布 (实际的)

2021年11月1日

研究记录更新

最后更新发布 (实际的)

2026年2月20日

上次提交的符合 QC 标准的更新

2026年2月18日

最后验证

2026年2月1日

更多信息

与本研究相关的术语

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

未定

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

在美国制造并从美国出口的产品

不

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.

订阅