神经母细胞瘤转移检测的风险模型 (NB)
基于骨髓细胞学的人工智能模型用于神经母细胞瘤的检测和预后
神经母细胞瘤（NB）是儿童最常见的颅外实体瘤，约占肿瘤相关死亡率的15%。 高危人群的NB患者易发生骨髓和/或骨转移，五年总生存率较低。 人工智能（AI）和深度学习技术有潜力在临床实践中识别骨髓细胞学的形态特征。 在本研究中，研究人员构建并评估了用于 NB 检测和预后的基于骨髓细胞学的 AI 模型。 研究的主要问题如下：
问题1：基于骨髓细胞学的AI模型对预测NB骨髓转移有用吗？ 问题2：基于骨髓细胞学的AI模型对NB骨转移的预测有用吗？ 问题3：基于骨髓细胞学的AI模型有多大潜力帮助医生对生存结果进行个体化预测？ 研究人员将追溯获得2019年1月至2024年6月期间患有NB的参与者。 随访日期于2024年6月30日结束。
内部队列包括来自上海交通大学医学院新华医院的参与者。 独立的外部队列包括来自儿童医院、浙江大学医学院和深圳市儿童医院的参与者。
研究人员在患者首次入院时、接受治疗之前收集了登记参与者的临床数据。 临床信息包括年龄、性别、原发肿瘤部位、肿瘤分级、骨髓转移状态、骨转移状态、遗传畸变（MYCN扩增、染色体1p缺失、染色体11q缺失）和实验室变量（外周血细胞计数、骨髓细胞学）指标（乳酸脱氢酶、神经元特异性烯醇化酶的血清浓度）。
本研究是一项非干预性观察性研究，对参与者和研究者不存在风险。 参与者可以获得以下好处：
- 早期检测：该模型有助于早期风险识别和个性化治疗。
- 便利性：由于该模型依赖于一般实验室测试，因此很容易进行，可以减少侵入性诊断程序。
- 成本效益：使用常规测试的现有临床数据可以使预测过程更具成本效益。
- 数据驱动决策：人工智能模型提高诊断效率并支持医疗决策。
研究概览
详细说明
数据集处理。 在本研究中，模型包括训练集、验证集和测试集。 在模型构建过程中，研究人员通过将入组的参与者以 8:2 的比例随机分配到训练集和验证集来处理内部队列的训练。 研究人员使用外部队列的注册参与者作为测试集来独立评估模型性能，然后选择最佳模型以供将来使用。
上海交通大学医学院附属新华医院伦理委员会批准了本研究（XHEC-C-2024-023-2）。
- 图像采集。 在人工智能模型中，研究人员使用登记参与者的骨髓涂片进行细胞学评估和图像收集。 在细胞分类和转移检测时，由经验丰富的病理学家完成骨髓涂片分析，骨髓中的转移性NB簇通常表现为聚集的圆形非典型细胞，核/浆比高。 研究人员以 40 倍放大倍率扫描染色的骨髓涂片，进行数字全玻片成像 (WSI)。 研究人员将 WSI 分割成更小的块，如 512 × 512 像素图块，并应用 Vahadane 方法对小图块的颜色进行标准化。
深度学习培训。 在骨髓细胞学图像的特征提取中，该过程包括两层预测：patch-level和WSI-level预测。
对于补丁级预测，研究人员对所有补丁进行标签预测及其各自的概率。 研究人员在深度学习过程中应用的模型如下：识别神经网络（CNN）-resnet50和Vision Transformer（ViT）。 模型中的参数配置如下：优化器-SGD，损失函数-softmax交叉熵，batch size为64。
对于 WSI 级预测，研究人员使用多实例学习 (MIL) 算法将分散的补丁级特征聚合为 WSI 级特征。 在 WSI 融合的 MIL 过程中，研究人员结合补丁似然直方图 (PLH) 管道和词袋 (BoW) 管道执行 WSI 级预测。 随后，研究人员获得 WSI 级别的预测作为后续分析操作参与者的最终表示。
标志性建筑。 在特征选择过程中，研究人员使用LASSO（最小绝对收缩和选择算子）特征筛选来确定骨髓细胞学的最终WSI级特征。 然后对这些选定的特征进行机器学习方法来开发人工智能模型。 研究人员应用多种机器学习算法来预测参与者的骨髓和/或骨骼的转移状态，例如支持向量机（SVM）、逻辑回归（LR）、基于树的模型，例如随机森林和极度随机树（ ExtraTrees）、极限梯度提升（XGBoost）和光梯度提升机（LightGBM）以及多层感知器（MLP）来开发我们的模型。
在预后模型中，研究人员利用Cox模型构建了具有骨髓细胞学特征和临床特征的生存模型。
- 模型评估和统计分析。 研究人员在 SPSS 22.0 版（SPSS, Inc.，芝加哥，伊利诺斯州，美国）中使用连续变量的独立样本 t 检验和离散变量的 χ2 检验来比较参与者的临床特征。 P ≤ 0.05 被认为具有统计学意义。
对于诊断模型，研究人员使用微观和宏观曲线下面积（AUC）指标来评估模型在不同分类阈值下的敏感性、特异性、准确性、阳性预测值和阴性预测值。 该模型的性能和有效性在单独的测试队列中进行了评估。 该研究采用用 Python v.3.7.12 编写的自定义 Python 代码来评估模型性能。
对于预后模型，研究人员使用 AUC 作为性能指标并计算敏感性和特异性。 选择在测试集上表现最好的模型作为最优模型。 根据Kaplan-Meier方法构建生存曲线。
研究类型
注册 (估计的)
联系人和位置
学习地点
-
-
-
Shenzhen、中国、518038
- Shenzhen Children's Hospital
-
-
Shanghai
-
Shanghai、Shanghai、中国、200092
- Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine
-
-
Zhejiang
-
Hangzhou、Zhejiang、中国
- The Children's Hospital, Zhejiang University School of Medicine
-
-
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
这项研究包括 2019 年 1 月至 2024 年 6 月期间新诊断患有 NB 的参与者。 随访日期于2024年6月30日结束。
内部队列包括来自上海交通大学医学院新华医院的参与者。 独立的外部队列包括来自儿童医院、浙江大学医学院和深圳市儿童医院的参与者。 所有参与者均进行了骨髓涂片分析作为常规检查。 根据标准方案进行瑞氏-吉姆萨染色的骨髓涂片。诊断由经验丰富的病理学家完成，并与临床和/或放射学结果相关。
描述
纳入标准：
- 根据国际神经母细胞瘤风险组分期系统 (INRGSS)，该参与者新诊断患有 NB。 诊断由经验丰富的病理学家完成，并与临床和/或放射学结果相关。
- 参与者在其他医院诊断为 NB，未接受化疗或放疗。
- 患有 NB 的参与者已将骨髓涂片分析作为常规检查。 根据标准方案制作用瑞特-吉姆萨染色的骨髓涂片。
排除标准：
- 同时诊断出其他恶性肿瘤的参与者。
- 既往接受过化疗和/或放疗的 NB 参与者。
- 临床资料不完整的受试者，骨髓和/或骨的转移状态不清楚。
- 由于样本不具有代表性，例如骨髓涂片的赖特-吉姆萨染色不清楚或褪色，该参与者被排除在外。
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 |
|---|---|
|
神经母细胞瘤伴骨髓转移组
对于诊断患有骨髓转移的神经母细胞瘤，医疗实践包括：骨髓活检、骨髓穿刺涂片细胞学检查、流式细胞术和正电子发射断层扫描-计算机断层扫描（PET-CT）。
骨髓活检或涂片分析可能揭示特征性 NB 细胞。
流式细胞术可检测具有分化抗原簇45(CD45)-/分化抗原簇56(CD56)+/分化抗原簇81(CD81)+/GD2神经节苷脂(GD2)+表型的NB细胞。
PET/CT 成像揭示转移性 NB 细胞的代谢活动和转移灶的空间分布。
这些方法中任何一种的阳性结果足以诊断为具有骨髓转移的 NB。
|
在本研究中，我们构建并评估了用于 NB 检测和预后的基于骨髓细胞学的 AI 模型。
|
|
无骨髓转移的神经母细胞瘤组
对于入组参与者的骨髓转移诊断，如果以下任何一项检查均未呈阳性结果：骨髓活检、骨髓涂片细胞学检查、流式细胞术或PET/CT，则该参与者被分类为神经母细胞瘤无骨髓转移组。
|
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 |
|---|---|---|
|
神经母细胞瘤伴骨髓转移
大体时间：从最初诊断为神经母细胞瘤到开始化疗或放疗的时间最长为 3 个月。
|
诊断骨髓转移的医疗实践包括：骨髓活检、骨髓细胞学抽吸涂片、流式细胞术和PET/CT。
骨髓活检或涂片分析可能揭示特征性 NB 细胞。
流式细胞术可检测表型为CD45-/CD56+/CD81+/GD2+的NB细胞。 PET/CT 成像揭示转移性 NB 细胞的代谢活动和转移灶的空间分布。
这些方法中任何一种的阳性结果足以诊断为具有骨髓转移的 NB。
|
从最初诊断为神经母细胞瘤到开始化疗或放疗的时间最长为 3 个月。
|
|
神经母细胞瘤伴骨转移
大体时间：从最初诊断为神经母细胞瘤到开始化疗或放疗的时间最长为 3 个月。
|
如果通过 CT、PET/CT、MRI 等放射学检查发现骨质破坏或骨皮质不连续，我们就可以诊断 NB 骨转移。
|
从最初诊断为神经母细胞瘤到开始化疗或放疗的时间最长为 3 个月。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
总生存时间
大体时间：完成学习后，最长可达 60 个月。
|
总生存期（OS）定义为从诊断神经母细胞瘤到因任何原因死亡的时间。
|
完成学习后，最长可达 60 个月。
|
合作者和调查者
调查人员
- 首席研究员：juan ma, Doctor、Xin Hua Hospital, Shanghai Jiao Tong University School of Medicine
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
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- XH-24-008
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
IPD 计划说明
IPD 共享时间框架
IPD 共享访问标准
IPD 访问计划：
谁将能够访问：
研究人员、学术机构和其他有兴趣在相关领域进行研究的科学家。
他们将能够访问什么：
临床结果、实验室测试结果、人口统计信息以及与研究相关的其他支持信息。
他们如何访问它：
他们需要提交一份访问请求表，概述他们的研究目的。 所有请求都将由该研究的主要研究者进行审查，他将根据研究道德和数据使用政策决定是否授予访问权限。 数据将通过安全的在线平台提供，以确保隐私和安全。
IPD 共享支持信息类型
- 研究方案
- 树液
- 国际碳纤维联合会
- 分析代码
- 企业社会责任
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
在美国制造并从美国出口的产品
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.