人工智能辅助乳腺叶状肿瘤精准诊断及预后系统
开发基于人工智能的乳腺叶状肿瘤精确诊断和预后系统
乳腺叶状肿瘤(PT)是一种罕见的纤维上皮肿瘤,占所有乳腺肿瘤的1%至3%,世界卫生组织根据肿瘤边界、间质细胞结构、间质异型性等组织病理学特征将其分为良性、交界性和恶性、有丝分裂活性和基质过度生长。 恶性PT占18%-25%,局部复发率高达65%,远处转移率高(16%-25%)。 良性 PT 在多次复发后可能进展为恶性肿瘤。 因此,早期、准确的诊断和识别治疗靶点对于改善结果和生存率至关重要。
近年来,人们对人工智能(AI)在医疗诊断中的应用越来越感兴趣。 人工智能可以整合临床信息、组织病理学图像和多组学数据,以辅助病理和临床诊断、预后预测和分子分析。人工智能在各个领域都显示出可喜的成果,包括结直肠癌、乳腺癌等不同癌症的诊断癌症和前列腺癌。 然而,PT在诊断和治疗方法上与乳腺癌不同。 因此,建立基于人工智能的PT精准诊断和预后评估系统对于个性化医疗至关重要。
聂艳博士领衔的研究团队是广东省乃至全国为数不多的专门从事PT研究的团队之一。 他们的团队一直在对PT的恶性进展、转移机制和分子标志物进行研究。 该团队已经确定了关键机制,例如成纤维细胞向肌成纤维细胞的分化,以及肿瘤相关巨噬细胞在促进这种分化中的作用。 他们还鉴定了分子标志物,包括 miR-21、α-SMA、CCL18 和 CCL5,与传统的组织病理学分级相比,这些分子标志物在预测肿瘤复发风险方面更准确。
该项目收集了近千名乳腺PT患者的高质量数据,包括影像学、组织病理学和生存数据,并对组织样本进行了转录组基因测序。 他们的目标是建立一个全面的乳腺 PT 多组学数据库,并创建一个基于人工智能的早期诊断和预后预测模型。 这项研究有望改善乳腺 PT 的诊断和治疗,解决中国不同地区乳腺 PT 护理的差异,并有助于开发新的治疗靶点。
研究概览
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名:Yan Nie, Prof.Dr.
- 电话号码:+86 020-81332587
- 邮箱:nieyan7@mail.sysu.edu.cn
学习地点
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510120
- 招聘中
- Sun Yat-sen Memorial Hospital, Sun Yat-sen University
-
接触:
- Yan Nie, Prof.Dr.
- 电话号码:+86 020-81332587
- 邮箱:nieyan7@mail.sysu.edu.cn
-
Guangzhou、Guangdong、中国、510050
- 招聘中
- Sun Yat-sen University Cancer Center
-
接触:
- Feng Ye, Prof.Dr.
- 电话号码:15914388994
-
Guangzhou、Guangdong、中国、510145
- 招聘中
- The Third Affiliated Hospital of Guangzhou Medical University
-
接触:
- Hui Mai, Prof.Dr.
- 电话号码:13925129112
-
Guangzhou、Guangdong、中国、511400
- 招聘中
- Guangdong Maternal and Child Health Hospital
-
接触:
- Yu Tan, Prof.Dr.
- 电话号码:13632356526
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
- 诊断患有乳腺叶状肿瘤的患者
排除标准:
- 图像模糊、成像伪影
学习计划
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 |
---|---|
乳腺叶状肿瘤
诊断为乳腺叶状肿瘤的患者
|
患者医学成像材料,包括超声、乳房 X 线摄影、CT、MRI
|
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 |
---|---|---|
灵敏度
大体时间:5年
|
测试结果呈阳性的概率,前提是测试结果确实呈阳性。
|
5年
|
假阴性率
大体时间:5年
|
确定阳性人群中检测呈阴性的几率。
|
5年
|
特异性
大体时间:5年
|
以真阴性为条件的阴性检测结果的概率。
|
5年
|
误报率
大体时间:5年
|
确定阴性人群中检测呈阳性的几率。
|
5年
|
接收器工作特性曲线
大体时间:5年
|
ROC曲线是基于一系列不同二分分类(截止值或决策阈值)的曲线,以真阳性率(敏感性)为纵坐标,假阳性率(1-特异性)为纵坐标。水平坐标。
|
5年
|
Roc 曲线下面积
大体时间:5年
|
AUC 定义为由轴包围的 ROC 曲线下的面积,AUC 越接近 1.0,测定越真实。
|
5年
|
合作者和调查者
出版物和有用的链接
一般刊物
- Belkacemi Y, Bousquet G, Marsiglia H, Ray-Coquard I, Magne N, Malard Y, Lacroix M, Gutierrez C, Senkus E, Christie D, Drumea K, Lagneau E, Kadish SP, Scandolaro L, Azria D, Ozsahin M. Phyllodes tumor of the breast. Int J Radiat Oncol Biol Phys. 2008 Feb 1;70(2):492-500. doi: 10.1016/j.ijrobp.2007.06.059. Epub 2007 Oct 10.
- Mishra SP, Tiwary SK, Mishra M, Khanna AK. Phyllodes tumor of breast: a review article. ISRN Surg. 2013;2013:361469. doi: 10.1155/2013/361469. Epub 2013 Mar 20.
- Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019 Nov;16(11):703-715. doi: 10.1038/s41571-019-0252-y. Epub 2019 Aug 9.
- van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14.
- Wang Y, Acs B, Robertson S, Liu B, Solorzano L, Wahlby C, Hartman J, Rantalainen M. Improved breast cancer histological grading using deep learning. Ann Oncol. 2022 Jan;33(1):89-98. doi: 10.1016/j.annonc.2021.09.007. Epub 2021 Sep 29.
- Chow ZL, Thike AA, Li HH, Nasir NDM, Yeong JPS, Tan PH. Counting Mitoses With Digital Pathology in Breast Phyllodes Tumors. Arch Pathol Lab Med. 2020 Nov 1;144(11):1397-1400. doi: 10.5858/arpa.2019-0435-OA.
- Cheng CL, Md Nasir ND, Ng GJZ, Chua KWJ, Li Y, Rodrigues J, Thike AA, Heng SY, Koh VCY, Lim JX, Hiew VJN, Shi R, Tan BY, Tay TKY, Ravi S, Ng KH, Oh KSL, Tan PH. Artificial intelligence modelling in differentiating core biopsies of fibroadenoma from phyllodes tumor. Lab Invest. 2022 Mar;102(3):245-252. doi: 10.1038/s41374-021-00689-0. Epub 2021 Nov 24.
- Kates-Harbeck J, Svyatkovskiy A, Tang W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature. 2019 Apr;568(7753):526-531. doi: 10.1038/s41586-019-1116-4. Epub 2019 Apr 17.
- Gong C, Nie Y, Qu S, Liao JY, Cui X, Yao H, Zeng Y, Su F, Song E, Liu Q. miR-21 induces myofibroblast differentiation and promotes the malignant progression of breast phyllodes tumors. Cancer Res. 2014 Aug 15;74(16):4341-52. doi: 10.1158/0008-5472.CAN-14-0125. Epub 2014 Jun 30.
- Nie Y, Chen J, Huang D, Yao Y, Chen J, Ding L, Zeng J, Su S, Chao X, Su F, Yao H, Hu H, Song E. Tumor-Associated Macrophages Promote Malignant Progression of Breast Phyllodes Tumors by Inducing Myofibroblast Differentiation. Cancer Res. 2017 Jul 1;77(13):3605-3618. doi: 10.1158/0008-5472.CAN-16-2709. Epub 2017 May 16.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (估计的)
研究记录更新
最后更新发布 (估计的)
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.
成像的临床试验
-
University of CalgaryAlberta Heritage Foundation for Medical Research; Calgary Health Region完全的
-
French Cardiology SocietyInstitut National de la Santé Et de la Recherche Médicale, France完全的
-
Medical Centre LeeuwardenUniversity of Groningen; LIMIS Development招聘中
-
Rabin Medical CenterRambam Health Care Campus; Hillel Yaffe Medical Center; US Department of Veterans Affairs; Assaf-Harofeh... 和其他合作者完全的
-
National Cancer Institute (NCI)招聘中