Brug af kunstig intelligens til at forudsige resultater af rektal kræft
Brug af CNN billedgenkendelse til at forudsige endetarmskræftresultater
Investigator retrospektiv indsamler tilfælde i 2010-2021 diagnosticeret som rektalt adenokarcinom med højkvalitets CT-billeder. Lokale fremskredne endetarmskræfttilfælde blev mærket som "sygdom". Heller ikke blev defineret "normal".
Brug af kunstig intelligens CNN på jupyter-notebook med åben phyton-kode til at træne og udvikle modeller, der er i stand til at genkende lokal fremskreden rektalcancer. Rediger phytonkoden for bedre at forudsige hastigheden og hjælp lægen med hurtigt at evaluere sygdommens sværhedsgrad for friske endetarmskræfttilfælde.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
-
Taichung, Taiwan
- Taichung Verterans General Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- klinisk stadieinddeling T3-4 med højkvalitets CT-billeder.
Ekskluderingskriterier:
- 1. ikke primær malignitetslæsion
- 2. ikke lokalisere endetarmen
- 3. T1-2 læsion
- 4. billeder uden kontrast eller dårlig kvalitet
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
billeder af endetarmskræftlæsioner til træning
Billeder af endetarmskræftlæsioner.
Billeder med truet (<2 mm) periferisk rand af rektalcancer blev mærket som "syge".
Ellers blev billeder mærket som "normale".
Brug af disse materialer som undervisningsmateriale til opbygning af AI-dyblæringsmodeller.
|
Brug af mærkede billeder som træningsmateriale til kunstig intelligens til at udvikle en objektdetekteringsmodel.
|
|
billeder af endetarmskræftlæsioner til test.
Brug af de opbyggede AI-dybdelæringsmodeller fra træningskohorte.
Evaluering af forudsigelsesraten for modellen og analyse af overlevelsesresultater.
|
Brug af det eksterne valideringssæt til at evaluere forudsigelsesrate og overlevelsesresultat.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
nøjagtighed af kunstig intelligens med erfaren læge
Tidsramme: 1 uge efter at billederne er taget.
|
nøjagtighed mellem kunstig intelligens og erfaren læge
|
1 uge efter at billederne er taget.
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
overlevelse i det virkelige liv resultat af diagnose ved kunstig intelligens.
Tidsramme: 5 år efter diagnosen
|
overlevelsesresultat i det virkelige liv ved kunstig intelligens.
|
5 år efter diagnosen
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: ChunuYu Lin, M.D., Taichung Veterans General Hospital
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
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- CE21235B
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 .