Kunstig intelligens i mammografibaseret brystkræftscreening
Brystkræftscreening med mammografi: diagnostisk vurdering af en kunstig
Brystkræft (BC) er den mest almindelige kræftsygdom blandt kvinder i hele verden og den næststørste årsag til kræftrelateret død.
Som hjørnestenen i BC-screening er mammografi anerkendt som en af nyttige billeddannelsesmodaliteter til at reducere BC-dødelighed i kraft af tidlig påvisning af BC. Imidlertid er mammografitolkning i sagens natur subjektiv vurdering og tilbøjelig til overdiagnosticering.
I de senere år er kunstig intelligens (AI)-Computer Aided Diagnosis (CAD) systemer, karakteriseret ved indlejrede deep-learning algoritmer, trådt ind i BC screening som en hjælp for radiologer med det formål at optimere konventionelt CAD system med svaghed håndlavede funktioner ekstraktion. For nu har stand-alone ydeevne af nye AI-CAD-værktøjer vist lovende nøjagtighed og effektivitet i BC-diagnose, hovedsageligt tilskrevet brugen af convolution neurale netværk (CNN'er), og nogle af dem har allerede opnået radiolog-lignende niveau. På den anden side har radiologers præstationer på BC-screening vist sig at blive forbedret ved at udnytte AI-CAD-systemet som beslutningsstøtteværktøj. Som stigende implementering af kommercielt AI-CAD-system, bør robust evaluering af dets anvendelighed og omkostningseffektivitet under kliniske omstændigheder udføres i scenarier, der efterligner det virkelige liv før bred adoption, ligesom andre nye og lovende teknologier. Dette kræver at validere AI-CAD-systemer i BC-screening på flere, forskellige og repræsentative datasæt og også at estimere grænsefladen mellem læser og system. Denne foreslåede undersøgelse søger at undersøge brystkræftdiagnostisk ydeevne af AI-CAD-system, der bruges til at læse mammografi. I dette arbejde vil vi anvende et kommercielt tilgængeligt AI-CAD-værktøj baseret på deep-learning algoritmer (IBM Watson Imaging AI Solution) til at identificere og karakterisere de mistænkelige brystlæsioner på mammografi. De potentielle kræftlæsioner kan mærkes, og deres mammografiske træk og sandsynlighed for malignitet vil automatisk blive rapporteret. Efter AI-efterbehandling skal vi yderligere udføre statistisk analyse for at bestemme nøjagtigheden af AI-CAD-systemet til forudsigelse af BC-risiko.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Chiu Wing CHU
- Telefonnummer: 35052299
- E-mail: winniechu@cuhk.edu.hk
Studiesteder
-
-
Shatin
-
Hong Kong, Shatin, Hong Kong
- The Chinese University of Hong Kong, Prince of Wale Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Kvinder, der havde gennemgået standard mammografi, inklusive kraniokaudale (CC) og mediolaterale skrå (MLO) synspunkter.
- Histopatologisk dokumenteret diagnose er tilgængelig for patienter med brystmalignitet, herunder invasiv brystkræft, carcinoma in situ og borderline læsion et al.
- Som referencestandard for benign karakter er resultater fra patologiske eller kliniske langtidsopfølgningsundersøgelser (>=2 år) tilgængelige for tilfælde uden brystmalignitet.
Ekskluderingskriterier:
- Patienter med samtidige læsioner på mammografi, som kan påvirke efterfølgende AI-postproces.
- Patienter uden tilgængelig patologisk diagnose eller langsigtede opfølgningsundersøgelser (>=2 år).
- Patienter, der havde gennemgået brystkirurgisk indgreb (f. lumpektomi og mammoplastik) før første mammografi.
- Patienter diagnosticeret med andre former for malignitet, samtidig med metastasering eller infiltration/invasion til brystet.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
nøjagtighed
Tidsramme: 3 år
|
andel af sande resultater (både sande positive og sande negative) blandt hele forekomster
|
3 år
|
|
følsomhed
Tidsramme: 3 år
|
sand positiv rate i procent(%) afledt af ROC-analyse
|
3 år
|
|
specificitet
Tidsramme: 3 år
|
sand negativ rate i procent (%) udledt af ROC-analyse
|
3 år
|
|
areal under kurve (AUC)
Tidsramme: 3 år
|
areal under modtagerens driftskarakteristik (ROC) kurve i procent (%)
|
3 år
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- 2019.629
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .