Anvendelsesværdien af deep Learning-baserede nomogrammer i godartet-malign diskrimination af TI-RADS kategori 4 Thyroid Nodules
Denne retrospektive undersøgelse fokuserer på godartede og ondartede klassificering af skjoldbruskkirtelknolder ved hjælp af dyb læringsteknikker og evaluerer værdien af deep learning baserede nomogrammer i klassificeringen af TI-RADS kategori 4 skjoldbruskkirtelknuder for at forbedre nøjagtigheden af godartet og ondartet identifikation af TI-RADS kategori 4 skjoldbruskkirtelknogler.
Materialer og metoder: Patienter, der besøgte på The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, blev indsamlet. Deres generelle kliniske træk, information om præoperativ ultralydsdiagnose og postoperative patologiske data blev gennemgået.
Studieoversigt
Status
Status
Betingelser
Betingelser
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Shandong
-
Jinan, Shandong, Kina
- QianfoshanH
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Ultralydsbekræftet diagnose af skjoldbruskkirtelknolder, der er klassificeret som TI-RADS kategori 4.
- Tilgængelighed af patologiske resultater.
Ekskluderingskriterier:
- Manglende patologisk diagnose.
- Historie om skjoldbruskkirteloperationer eller andre behandlinger.
- Dårlig kvalitet af ultralydsbilleder af skjoldbruskkirtelknolder.
- Ufuldstændige kliniske og billeddiagnostiske data om patienten.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
|---|
|
ondartet
Skjoldbruskkirtelknolder med kirurgisk eller punkturbiopsi-bekræftede patologiske fund af malignitet i TI-RADS4-kategorien
|
|
godartet
Skjoldbruskkirtelknolder med kirurgisk eller punkturbiopsi-bekræftede patologiske fund af godartet TI-RADS4-kategori
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
forudsigelsesmodel for dyb læring (YOLOv3) og modelevalueringen
Tidsramme: Umiddelbart evalueret efter at forudsigelsesmodellen blev bygget
|
Baseret på karakteristika for godartede og ondartede skjoldbruskkirtelknolder blev datasættet opdelt i et træningssæt og et testsæt ved brug af krydsvalideringsmetoden, og YOLOv3-modellen blev trænet ved hjælp af data fra træningssættet, og modellens ydeevne blev evalueret ved hjælp af data fra testsættet. Modellen evalueres ved hjælp af en række målinger såsom: præcisions-genkaldelseskurve, effektiv klassifikationspræcision, forvirringsmatrix og areal under kurven.
|
Umiddelbart evalueret efter at forudsigelsesmodellen blev bygget
|
|
nomogram forudsigelse og vurdering
Tidsramme: Umiddelbart evalueret efter at nomogrammet blev bygget
|
Faktorering af kliniske træk, ultralydsgradering og modelforudsigelser for at kortlægge nomogrammer ved hjælp af R-sprog. Evaluering af nomogrammet ved hjælp af forskellige metrikker, herunder emnets operationskarakteristiske kurver, kalibreringskurver og beslutningskurveanalyse
|
Umiddelbart evalueret efter at nomogrammet blev bygget
|
|
Udvælgelse af kliniske træk og vurdering
Tidsramme: Efter at datasættet er indsamlet og patologiske resultater er opnået, analyseres de opnåede statistiske resultater for kliniske faktorer, i gennemsnit omkring 1 år.
|
Forskerne udvalgte patienter med TI-RADS kategori 4 skjoldbruskkirtelknolder inden for 1 år til at omfatte datasættet.
Forskerne analyserede de kliniske faktorer i datasættet og analyserede betydningen af disse kliniske faktorer på de statistiske resultater og kliniske karakteristika ved hjælp af Wilcoxon to-sample rank sum test eller chi-square test.
|
Efter at datasættet er indsamlet og patologiske resultater er opnået, analyseres de opnåede statistiske resultater for kliniske faktorer, i gennemsnit omkring 1 år.
|
|
Påvirkning og vurdering af ultralydsgradering
Tidsramme: De graderede resultater af ultralydsundersøgelsen blev analyseret efter at datasætindsamlingen var afsluttet, ultralydsundersøgelsen var afsluttet og de endelige patologiresultater blev opnået, i gennemsnit omkring 1 år.
|
Forskerne udvalgte patienter med TI-RADS kategori 4 skjoldbruskkirtelknolder inden for 1 år til at omfatte datasættet.
Forskerne analyserede resultaterne af klassificeringen af TI-RADS kategori 4-knuder i dette datasæt og bestemte betydningen af ultralydsgradering på de statistiske resultater ved hjælp af chi-square-testen.
|
De graderede resultater af ultralydsundersøgelsen blev analyseret efter at datasætindsamlingen var afsluttet, ultralydsundersøgelsen var afsluttet og de endelige patologiresultater blev opnået, i gennemsnit omkring 1 år.
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
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
- YXLL-KY-2023(133)
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
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 .