深度学习模型的开发和验证，以使用整个幻灯片成像和MRI来预测鼻咽癌中远处转移
2025年2月21日 更新者：Pu-Yun OuYang、Sun Yat-sen University
基于鼻咽和淋巴结的整个幻灯片成像和磁共振成像的深度学习模型的开发和多中心验证，以预测鼻咽癌诊断时远处转移
开发了一种AI模型，以预测基于病理载流和原发性肿瘤的MRI扫描的鼻咽癌患者的远处转移的可能性。
使用来自多个中心的数据对模型进行了验证。
然后将其应用于建议根据NCCN或CSCO指南进行PET/CT扫描的高级阶段的患者。
该AI模型可以在初次诊断时准确筛查患有远处转移风险的高风险，以接受PET/CT，避免过度检查远处转移风险，节省医疗资源并减轻患者的经济负担。
研究概览
详细说明
基于鼻咽和颈部原发性病变和MRI染色的病理切片构建了AI模型，以预测第一次访问时远处转移的可能性，并且通过多中心数据对AI模型进行了充分验证。 AI模型适用于建议根据NCCN和CSCO指南进行PET/CT检查的T3-4或N2-3患者，当预测M0的负预测价值不小于小于小时，AI模型的阈值确定了95％的人，为通过AI预测的患者提供了理论支持，以免受到PET/CT检查。
研究类型
观察性的
注册 (估计的)
500
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。
学习联系方式
- 姓名：Pu-Yun OuYang
- 电话号码：+8618565382769
- 邮箱：ouyangpy@sysucc.org.cn
学习地点
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510060
- 招聘中
- Sun Yat-sen University Cancer Center
-
接触：
- Pu-Yun OuYang
- 电话号码：+86 18565382769
- 邮箱：ouyangpy@sysucc.org.cn
-
接触：
- Pu-Yun OuYang
- 邮箱：ouyangpy@sysucc.org.cn
-
Guangzhou、Guangdong、中国、510060
- 尚未招聘
- Department of Radiation Oncology, Sun Yat-sen University Cancer Center
-
接触：
- Pu-Yun OuYang
- 电话号码：86+020-87342925
- 邮箱：ouyangpy@sysucc.org.cn
-
接触：
- Pu-Yun OuYang
-
-
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
- 孩子
- 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
病理证实的鼻咽癌患者
描述
纳入标准：
答：原发性病变在病理上被证实为鼻咽癌（谁分类为I，II和III）； B.阶段为T3-4或N2-3，进行了鼻咽 +颈MRI平原扫描和增强扫描，以确认鼻咽和宫颈淋巴结病变，以及PET/CT或常规检查（胸部CT Plain Plain Scan + Enhanced scan + Enhanced Gearmanced扫描，上腹部CT或MRI平原扫描 +增强的扫描或腹部颜色多普勒超声或超声进行血管造影和全身骨成像）以筛选远处转移。
排除标准：
其他恶性肿瘤（例如其他头部和颈部鳞状细胞癌，甲状腺癌，乳腺癌，食管癌等）的先前病史。
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 |
|---|
|
前瞻性验证队列
预期的患者入学率验证AI模型的诊断功效
|
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 |
|---|---|---|
|
负预测值
大体时间：通过学习完成，平均2年
|
NPV衡量实际为阴性的预测案例的比例。
它告诉我们模型预测负面结果时的可靠性。
|
通过学习完成，平均2年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
敏感性，特异性和积极的预测价值
大体时间：通过学习完成，平均2年
|
AI在预测距离远处转移时的灵敏度，特异性和正预测值，对应于95％的负预测值。
|
通过学习完成，平均2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。
合作者
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- OuYang PY, He Y, Guo JG, Liu JN, Wang ZL, Li A, Li J, Yang SS, Zhang X, Fan W, Wu YS, Liu ZQ, Zhang BY, Zhao YN, Gao MY, Zhang WJ, Xie CM, Xie FY. Artificial intelligence aided precise detection of local recurrence on MRI for nasopharyngeal carcinoma: a multicenter cohort study. EClinicalMedicine. 2023 Aug 30;63:102202. doi: 10.1016/j.eclinm.2023.102202. eCollection 2023 Sep.
- Zhong L, Dong D, Fang X, Zhang F, Zhang N, Zhang L, Fang M, Jiang W, Liang S, Li C, Liu Y, Zhao X, Cao R, Shan H, Hu Z, Ma J, Tang L, Tian J. A deep learning-based radiomic nomogram for prognosis and treatment decision in advanced nasopharyngeal carcinoma: A multicentre study. EBioMedicine. 2021 Aug;70:103522. doi: 10.1016/j.ebiom.2021.103522. Epub 2021 Aug 11.
- Qiang M, Li C, Sun Y, Sun Y, Ke L, Xie C, Zhang T, Zou Y, Qiu W, Gao M, Li Y, Li X, Zhan Z, Liu K, Chen X, Liang C, Chen Q, Mai H, Xie G, Guo X, Lv X. A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma. J Natl Cancer Inst. 2021 May 4;113(5):606-615. doi: 10.1093/jnci/djaa149.
- Lin L, Dou Q, Jin YM, Zhou GQ, Tang YQ, Chen WL, Su BA, Liu F, Tao CJ, Jiang N, Li JY, Tang LL, Xie CM, Huang SM, Ma J, Heng PA, Wee JTS, Chua MLK, Chen H, Sun Y. Deep Learning for Automated Contouring of Primary Tumor Volumes by MRI for Nasopharyngeal Carcinoma. Radiology. 2019 Jun;291(3):677-686. doi: 10.1148/radiol.2019182012. Epub 2019 Mar 26.
- OuYang PY, Zhang BY, Guo JG, Liu JN, Li J, Peng QH, Yang SS, He Y, Liu ZQ, Zhao YN, Li A, Wu YS, Hu XF, Chen C, Han F, You KY, Xie FY. Deep learning-based precise prediction and early detection of radiation-induced temporal lobe injury for nasopharyngeal carcinoma. EClinicalMedicine. 2023 Apr 4;58:101930. doi: 10.1016/j.eclinm.2023.101930. eCollection 2023 Apr.
- Sun XS, Liu SL, Luo MJ, Li XY, Chen QY, Guo SS, Wen YF, Liu LT, Xie HJ, Tang QN, Liang YJ, Yan JJ, Lin DF, Bi MM, Liu Y, Liang YF, Ma J, Tang LQ, Mai HQ. The Association Between the Development of Radiation Therapy, Image Technology, and Chemotherapy, and the Survival of Patients With Nasopharyngeal Carcinoma: A Cohort Study From 1990 to 2012. Int J Radiat Oncol Biol Phys. 2019 Nov 1;105(3):581-590. doi: 10.1016/j.ijrobp.2019.06.2549. Epub 2019 Jul 15.
- Tang LQ, Chen QY, Fan W, Liu H, Zhang L, Guo L, Luo DH, Huang PY, Zhang X, Lin XP, Mo YX, Liu LZ, Mo HY, Li J, Zou RH, Cao Y, Xiang YQ, Qiu F, Sun R, Chen MY, Hua YJ, Lv X, Wang L, Zhao C, Guo X, Cao KJ, Qian CN, Zeng MS, Mai HQ. Prospective study of tailoring whole-body dual-modality [18F]fluorodeoxyglucose positron emission tomography/computed tomography with plasma Epstein-Barr virus DNA for detecting distant metastasis in endemic nasopharyngeal carcinoma at initial staging. J Clin Oncol. 2013 Aug 10;31(23):2861-9. doi: 10.1200/JCO.2012.46.0816. Epub 2013 Jul 15. Erratum In: J Clin Oncol. 2016 Feb 10;34(5):519. doi: 10.1200/jco.2015.66.3427.
- Xiao BB, Lin DF, Sun XS, Zhang X, Guo SS, Liu LT, Luo DH, Sun R, Wen YF, Li JB, Lv XF, Han LJ, Yuan L, Liu SL, Tang QN, Liang YJ, Li XY, Guo L, Chen QY, Fan W, Mai HQ, Tang LQ. Nomogram for the prediction of primary distant metastasis of nasopharyngeal carcinoma to guide individualized application of FDG PET/CT. Eur J Nucl Med Mol Imaging. 2021 Jul;48(8):2586-2598. doi: 10.1007/s00259-020-05128-8. Epub 2021 Jan 8.
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)
2025年2月15日
初级完成 (估计的)
2026年12月31日
研究完成 (估计的)
2026年12月31日
研究注册日期
首次提交
2025年2月14日
首先提交符合 QC 标准的
2025年2月14日
首次发布 (实际的)
2025年3月25日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2025年2月21日
最后验证
2025年2月1日
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
- B2025-062-01
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
由于对患者隐私，道德考虑或机构政策的担忧，可能无法共享个人参与者数据（IPD）。
数据保护法规，保密协议或重新确认的潜在风险也可能产生限制。
此外，如果数据包括敏感的医疗信息，则共享可能需要特殊的批准或不可行的识别过程。
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
在美国制造并从美国出口的产品
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.