Classification avancée des tumeurs du côlon à partir de scanners par apprentissage profond pour une décision thérapeutique optimisée
Classification avancée des tumeurs du côlon à partir de scanners par apprentissage profond pour une décision thérapeutique optimisée : une étude multicentrique
Promoteur : Assistance Publique - Hôpitaux de Paris
Titre et résumé traduits de l’anglais par le portail, à partir de la fiche publiée par le registre source, le 13 septembre 2026. Traduction automatique, sans relecture médicale : elle ne modifie ni n’interprète le contenu ; en cas de doute, le texte original fait foi.
Texte original (anglais)
Advanced Classification of Colon Tumors From CT Scans Using Deep Learning for Optimized Treatment Decision-making.
Advanced Classification of Colon Tumors From CT Scans Using Deep Learning for Optimized Treatment Decision-making : a Multicenter Study
This study aims to improve the classification of colon tumors using deep learning models trained on CT scans, specifically to distinguish between T1-T2 vs. T3-T4 stages and N- vs. N+ lymph node involvement. This classification is critical to guide preoperative treatment such as chemotherapy or immunotherapy. Given the limited accuracy of radiologists in current staging practice, automated image-based AI tools could enhance diagnostic precision and reproducibility, leading to more personalized and effective treatment planning. The investigator will develop and validate convolutional and transformer-based deep learning models using a large annotated dataset from multiple centers. Secondary objectives include fine-grained staging (T1 to T4), subgroup-specific models (MSS vs MSI), and predictive models for surgical
Cette étude vise à améliorer la classification des tumeurs du côlon à l'aide de modèles d'apprentissage profond entraînés sur des scanners, en particulier pour distinguer les stades T1-T2 des stades T3-T4 et l'atteinte ganglionnaire N- de N+. Cette classification est essentielle pour orienter le traitement préopératoire, tel que la chimiothérapie ou l'immunothérapie. Compte tenu de la précision limitée des radiologues dans la pratique actuelle de stadification, des outils d'IA automatisés fondés sur l'image pourraient améliorer la précision diagnostique et la reproductibilité, conduisant à une planification thérapeutique plus personnalisée et plus efficace. L'investigateur développera et validera des modèles d'apprentissage profond à base de réseaux convolutifs et de transformeurs à partir d'un large jeu de données annotées provenant de plusieurs centres. Les objectifs secondaires comprennent la stadification fine (T1 à T4), des modèles spécifiques aux sous-groupes (MSS vs MSI), et des modèles prédictifs pour chirurgical
Vous quittez essai-clinique.com pour le site externe clinicaltrials.gov, géré par l’organisme responsable de l’annonce. La candidature, les questions d’éligibilité et toute information médicale se traitent uniquement là-bas.
Important
essai-clinique.com ne recueille pas de candidature et ne détermine pas votre éligibilité. Ne transmettez aucune information médicale au site.
Les critères affichés sont une synthèse des informations disponibles. Seul l’organisme responsable de l’étude peut confirmer l’éligibilité d’une personne.