胸腺上皮肿瘤的人工智能预测工具 (INTHYM)
人工智能用于胸腺上皮肿瘤的组织病理学分类和复发预测
这项多中心观察性研究旨在利用人工智能模型增强胸腺上皮肿瘤分类并预测复发风险。 通过分析数字病理学和临床变量，该项目解决了当前世界卫生组织分类系统中的差异。
主要问题：
- AI模型能否提高胸腺上皮肿瘤分类的准确性？
- 与世界卫生组织分类系统相比，人工智能模型能否更好地预测复发风险？
参与者任务：
- 数字病理分析。
- 开发人工智能模型以进行精确分类和复发风险预测。
比较组：
研究人员将把人工智能增强的分类与世界卫生组织的系统进行比较，以确定人工智能模型是否可以提供更精确的亚型分类并更好地预测复发风险。
学习规划：
这一国际项目利用了鹿特丹、马斯特里赫特和里昂的三个数据库，其中一个用于人工智能模型构建，另外两个用于外部验证。
最终目标：
开发人工智能模型，支持病理学家准确对胸腺上皮肿瘤进行分型，防止辅助放疗治疗不足或过度，从而实现更个性化和有效的治疗。
研究概览
详细说明
胸腺上皮肿瘤是前纵隔罕见的肿瘤。 治疗的基石是手术切除。 术后放疗通常适用于患有更广泛的局部疾病、不完全切除和/或更具侵袭性亚型（由世界卫生组织组织病理学分类定义）的患者。
在该分类中，胸腺瘤分为 A、AB、B1、B2、B3 型和胸腺癌。 研究表明，病理学家对这些肿瘤的亚型划分存在很大差异。 此外，仅世界卫生组织分类并不能准确预测复发风险，因为不同亚型的患者预后不同。
我们将利用数字病理和相关临床变量开发人工智能模型，以提高胸腺上皮肿瘤组织病理学分类的准确性，并更好地预测复发风险。
在这个多中心的国际项目中，将使用鹿特丹、马斯特里赫特和里昂的三个现有数据库。 对于所有模型，一个数据库将用于构建人工智能模型，另外两个数据库将用于外部验证。
该项目的最终目标是开发人工智能模型，支持病理学家正确对胸腺上皮肿瘤进行分型，以防止患者辅助放疗治疗不足或过度。
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名：Anna Salut Esteve Domínguez
- 电话号码：0107043491
- 邮箱：a.estevedominguez@erasmusmc.nl
学习地点
-
-
South Holland
-
Rotterdam、South Holland、荷兰、3015 GD
- 招聘中
- Erasmus MC
-
接触：
- Anna Salut Esteve Domínguez
- 邮箱：a.estevedominguez@erasmusmc.nl
-
-
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
研究人群：
这项研究的重点是诊断患有胸腺上皮肿瘤的个体。 该研究包括来自三个数据集的患者：Erasmus MC（710 名患者）、Maastro（137 名患者）和里昂大学医院（181 名患者）。
附加信息：
- Erasmus MC（710 名患者）：包括年龄、性别和诊断信息；每个患者可能有多个完整的幻灯片图像。
- Maastro（137 名患者）：每个患者可能有多个完整的幻灯片图像。
- 里昂大学医院（181 名患者）：每个患者可能有多个完整的幻灯片图像。
描述
纳入标准：
具有特定诊断的参与者有资格参加该研究。 符合条件的诊断包括胸腺瘤和胸腺癌的各种亚型，特别是：
- 胸腺瘤A
- 胸腺瘤AB
- 胸腺瘤B1
- 胸腺瘤B2
- 胸腺瘤B3
- 胸腺癌
纳入是基于共识诊断，一致性程度低于 70%。 该标准在模型的训练阶段应用。
复发标准：
在 5 年内记录有复发结果的参与者被视为有资格参加这方面的研究。 该标准主要应用于验证阶段。
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 |
|---|---|
|
TET 患者
诊断患有以下 TET 亚型的患者：
|
AI Diagnostics 使用先进的算法进行精确的组织学图像分析，以帮助诊断疾病，包括亚型。
其他名称：
|
|
复发
胸腺上皮肿瘤复发的患者。
|
该AI工具评估胸腺肿瘤数据和其他临床数据并计算复发风险，旨在分析胸腺上皮肿瘤特定亚型和临床数据是否存在关联。
|
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 |
|---|---|---|
|
WP1 - 数据库/数据预处理
大体时间：M1-M18
|
EMC 数据集包括由经验丰富的 TET 病理学家分类的 179 名 TET 患者。
病理学家之间一致同意的病例将用于训练人工智能模型。
评估包括由国际专家小组评估的数字化病理切片。
MUMC 数据库（137 名患者）和 CHUL 数据库（181 名患者）提供额外数据，包括临床变量。
相关因素包括年龄、性别、肿瘤体积、分期、切除的完整性、自身免疫性疾病和治疗细节。
|
M1-M18
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
WP2 - TET 分类和复发预测的深度学习模型
大体时间：M6-M32
|
这一成果旨在创建一个具有两个主要目标的人工智能框架。
首先，使用四种不同的模型研究 TET 亚型，强调细胞类型、形态结构和组合。
其次，根据 5 年内复发结果对患者进行分类。
将使用最先进的深度学习分类器（ResNet、Inception）进行消融研究。
|
M6-M32
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
WP3：临床评估
大体时间：M6-M36
|
AI 模型 1-3 将在 EMC 数据库上构建和验证，而 AI 模型 4 将在 MUMC+ 数据库上构建并在两者上进行验证。
将使用敏感性、特异性、阴性/阳性预测值来评估模型性能。
决策分析曲线将量化临床效益，确定具有最大效用的患者群体。
|
M6-M36
|
合作者和调查者
出版物和有用的链接
一般刊物
- Wolf JL, van Nederveen F, Blaauwgeers H, Marx A, Nicholson AG, Roden AC, Strobel P, Timens W, Weissferdt A, von der Thusen J, den Bakker MA. Interobserver variation in the classification of thymic lesions including biopsies and resection specimens in an international digital microscopy panel. Histopathology. 2020 Nov;77(5):734-741. doi: 10.1111/his.14167. Epub 2020 Sep 24.
- Molina TJ, Bluthgen MV, Chalabreysse L, de Montpreville VT, de Muret A, Dubois R, Hofman V, Lantuejoul S, le Naoures C, Mansuet-Lupo A, Parrens M, Piton N, Rouquette I, Secq V, Girard N, Marx A, Besse B. Impact of expert pathologic review of thymic epithelial tumours on diagnosis and management in a real-life setting: A RYTHMIC study. Eur J Cancer. 2021 Jan;143:158-167. doi: 10.1016/j.ejca.2020.11.011. Epub 2020 Dec 11.
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 (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.