深度学习模型预测新辅助免疫化疗后肺癌的病理完全缓解
2024年3月11日 更新者：Wuhan Union Hospital, China
人工智能模型预测新辅助免疫化疗后肺癌的病理完全缓解
本研究介绍了人工智能 (AI) 预测系统的开发和验证，该系统利用新辅助免疫治疗前的平扫和增强型多模态 CT 扫描来提取深度学习特征。
目的是预测接受新辅助免疫化疗的非小细胞肺癌患者病理完全缓解的发生情况。
研究概览
详细说明
本研究回顾性获得了接受新辅助免疫化疗后接受手术的NSCLC患者的非增强和增强CT扫描。
2019 年 8 月至 2023 年 2 月期间在多个中心进行。
从非契约增强和契约增强 CT 扫描中提取深度学习特征，分别构建预测模型（LUNAI-nCT 模型和 LUNAI-eCT 模型）。
将这两类特征进行特征融合后，构建了融合模型（LUNAI-fCT模型）。
使用受试者工作特征曲线下面积 (AUC)、准确性、敏感性、特异性、阳性预测值 (PPV) 和阴性预测值 (NPV) 评估模型的性能。
SHapley Additive exPlanations (SHAP) 分析用于量化 CT 成像特征对模型预测的影响。
为了深入了解我们的模型如何进行预测，我们采用梯度加权类激活映射 (Grad-CAM) 来生成显着性热图。
研究类型
观察性的
注册 (估计的)
1000
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
- 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
确诊为非小细胞癌并接受新辅助化疗免疫治疗后接受手术的患者
描述
纳入标准：
- 经活检病理确诊、临床分期为IB至III期的非小细胞肺癌患者；
- 接受至少两个周期的新辅助免疫治疗联合化疗诱导治疗的患者；
- 根据IASLC指南，对肿瘤原发灶及淋巴结的治疗反应进行术后病理学评价。
排除标准：
- CT 缺失或质量不足；
- CT与开始治疗的时间间隔大于1个月；
- 临床病理数据不完整。
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
训练数据集
经第一医院（同济医学院附属协和医院）新辅助化疗免疫治疗后确诊为非小细胞癌并接受手术的患者
|
从医学图像中高通量提取大量定量图像特征
|
|
测试数据集
经医院（郑州大学第一附属医院、宜昌市中心医院、安阳市肿瘤医院）新辅助化疗免疫治疗后确诊为非小细胞癌并接受手术的患者
|
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 |
|---|---|---|
|
预测模型的准确性、敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）
大体时间：基线治疗
|
计算了几个指标，包括准确性、敏感性、特异性、阳性预测值 (PPV) 和阴性预测值 (NPV)。
|
基线治疗
|
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。
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 (估计的)
2024年3月1日
初级完成 (估计的)
2025年12月1日
研究完成 (估计的)
2026年3月1日
研究注册日期
首次提交
2024年2月22日
首先提交符合 QC 标准的
2024年2月22日
首次发布 (实际的)
2024年2月29日
研究记录更新
最后更新发布 (实际的)
2024年3月13日
上次提交的符合 QC 标准的更新
2024年3月11日
最后验证
2024年2月1日
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.