基于 CT 的放射组学和深度学习模型可预测喉癌的甲状腺软骨侵袭和患者预后
2024年8月20日 更新者：xinwei Chen、First Affiliated Hospital of Chongqing Medical University
基于 CT 的放射组学、二维和三维深度学习模型预测喉癌甲状腺软骨侵袭和患者预后：一项多中心研究
本回顾性研究旨在开发并验证基于CT的影像组学模型、2D深度学习模型和3D深度学习模型，用于术前预测喉癌患者的甲状软骨侵犯情况，从而为临床医生提供更准确的诊断和治疗依据。
并将上述模型的性能与两位放射科医生进行了比较。
此外，研究人员还研究了上述最优模型对患者生存结果的预测。
研究概览
详细说明
喉鳞状细胞癌（LSCC）是最常见的头颈部肿瘤之一，是全球癌症相关死亡的第八大原因。
治疗决策对 LSCC 患者的肿瘤控制和功能预后具有深远影响。
这些决定主要基于肿瘤分期，其中甲状软骨的侵袭是关键的决定因素。
因此，甲状软骨侵犯的存在表明 LSCC 患者的诊断已处于晚期（T3 或 T4）。
对于无甲状软骨侵犯的患者，可考虑行部分喉切除术以保留喉功能。
然而，对于晚期喉癌且甲状软骨侵犯超出喉部的患者，往往需要全喉切除术以彻底切除肿瘤，延长生存时间。
因此，准确评估甲状软骨侵犯对于LSCC患者的治疗决策和预后评估至关重要。
近年来，人工智能以机器学习和深度学习（DL）的形式在医学影像领域得到了广泛的应用。
放射组学在机器学习中发挥着突出作用，可以提取高维特征数据，定量为肿瘤分期和预后提供有价值的信息。
此外，深度学习可以通过端到端的方式自动捕获和学习判别性特征，以进行准确预测。
总的来说，这项多中心研究的目的是开发和验证基于静脉相 CT 图像的放射组学模型、2D DL 模型和 3D DL 模型，并将这些模型与两位放射科医生在预测甲状软骨方面的性能进行比较入侵。
此外，研究人员还研究了甲状软骨侵袭最佳预测模型的预后价值。
研究类型
观察性的
注册 (估计的)
400
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。
学习地点
-
-
-
Chongqing、中国
- 招聘中
- The First Affiliated Hospital of Chongqing Medical University
-
接触：
- Peng juan
- 电话号码：+86 189 8328 0171
- 邮箱：pengjuan1209@126.com
-
-
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
概率样本
研究人群
研究人员从两个中心收集了喉癌患者。
中心 1 的患者按 7:3 的比例随机分为训练组和内部验证组。
此外，来自中心 2 的患者也被纳入外部验证队列。
描述
纳入标准：
- 完整临床数据的可用性
- 经手术证实或活检证实的喉鳞状细胞癌诊断
- 术前2周内进行CT检查
排除标准：
- 术前接受过化疗或放疗的患者
- CT 图像有明显伪影
- 肿瘤复发患者
- 肿瘤最大直径小于5毫米的患者
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 |
|---|---|
|
训练队列
无干预
|
放射组学从医学图像中提取定量信息，生成高维特征向量进行分析。 它旨在提供对疾病过程的见解并改进诊断。 深度学习利用多层神经网络从数据中学习复杂的模式。 在医学成像中，它可以为疾病检测和诊断提供准确有效的分析。
其他名称：
|
|
内部验证队列
无干预
|
放射组学从医学图像中提取定量信息，生成高维特征向量进行分析。 它旨在提供对疾病过程的见解并改进诊断。 深度学习利用多层神经网络从数据中学习复杂的模式。 在医学成像中，它可以为疾病检测和诊断提供准确有效的分析。
其他名称：
|
|
外部验证队列
无干预
|
放射组学从医学图像中提取定量信息，生成高维特征向量进行分析。 它旨在提供对疾病过程的见解并改进诊断。 深度学习利用多层神经网络从数据中学习复杂的模式。 在医学成像中，它可以为疾病检测和诊断提供准确有效的分析。
其他名称：
|
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 |
|---|---|---|
|
曲线下面积，AUC
大体时间：完成学习，平均需要 6 个月
|
曲线下面积 (AUC) 是一种广泛应用于机器学习和医学研究中的指标，用于评估二元分类问题中模型的性能。
它反映了模型识别真阳性（True Positives）同时避免将阴性示例错误地分类为阳性（False Positives）的能力。
|
完成学习，平均需要 6 个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
无病生存期
大体时间：手术日期和疾病进展等事件的发生、最后一次随访的日期或任何原因死亡的日期，以及随访时间至少 3 年
|
无病生存期（DFS）是指从随机化开始（通常是临床试验的起点）到疾病复发或患者因疾病进展而死亡的时间。
DFS是用于评估癌症治疗长期效果的重要临床和统计指标。
|
手术日期和疾病进展等事件的发生、最后一次随访的日期或任何原因死亡的日期，以及随访时间至少 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。
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)
2023年8月13日
初级完成 (估计的)
2024年9月13日
研究完成 (估计的)
2024年10月13日
研究注册日期
首次提交
2024年6月12日
首先提交符合 QC 标准的
2024年6月17日
首次发布 (实际的)
2024年6月18日
研究记录更新
最后更新发布 (实际的)
2024年8月22日
上次提交的符合 QC 标准的更新
2024年8月20日
最后验证
2024年8月1日
更多信息
与本研究相关的术语
其他研究编号
- 2024-Chenx
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
IPD 计划说明
临床数据由临床病例系统人工采集； CT图像数据从PACS系统导出并匿名存储在单独的数据盘上；图像资料被收集并匿名存储在单独的数据盘上。
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
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.