Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Deep Learning Magnetic Resonance Imaging Radiomics til diagnostisk værdi af hepatiske tumorer hos spædbørn

22. december 2021 opdateret af: Yuhan Yang, West China Hospital
Levertumorer i den perinatale periode er forbundet med signifikant morbiditet og dødelighed hos berørte patienter. Det konventionelle diagnostiske værktøj, såsom alfa-føtoprotein (AFP) viser begrænset værdi ved diagnosticering af infantile hepatiske tumorer. Denne retrospektive-prospektive undersøgelse har til formål at evaluere den diagnostiske effektivitet af deep learning-systemet gennem analyse af magnetisk resonansbilleddannelse (MRI) billeder før indledende behandling.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Levertumorer forekommer sjældent i den perinatale periode. De udgør ca. 5% af de samlede neoplasmer af forskellige typer, der forekommer hos fosteret og det nyfødte barn. Infantil hæmangioendotheliom er den førende primære hepatiske tumor efterfulgt af hepatoblastom. Det skal nævnes, at alfa-føtoprotein (AFP) er højt forhøjet i løbet af de første adskillige måneder efter fødslen selv hos normale spædbørn, hvorfor den diagnostiske værdi af AFP er begrænset for spædbarnspatienter med levertumorer. Denne undersøgelse er et retrospektivt-prospektivt design af West China Hospital, Sichuan University, inklusive kliniske data og radiologiske billeder. En retrospektiv database blev tilmeldt patienter med sikker histologisk diagnose og tilgængelige magnetisk resonansbilleddannelse (MRI) billeder fra juni 2010 og december 2020. Efterforskerne har konstrueret en radiomikdiagnostisk model for deep learning på denne retrospektive kohorte og valideret den internt. En potentiel kohorte ville rekruttere infantile patienter diagnosticeret som levertumor siden januar 2021. Den foreslåede model for dyb læring vil også blive valideret i denne kommende kohorte eksternt. Den etablerede model vil være i stand til at hjælpe med diagnosticering af hepatisk tumor hos spædbørn.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

200

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Kina
    • Sichuan
      • Chendu, Sichuan, Kina, 610041
        • Rekruttering
        • West China Hospital, Sichuan University

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

1 sekund til 1 år (Barn)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter, der havde levertumor og gennemførte abdominal MR-undersøgelse før operation, biopsi, neoadjuverende kemoterapi og strålebehandling.

Beskrivelse

Inklusionskriterier:

  • Alder mellem nyfødt og 12 måneder
  • Modtager ingen behandling før diagnosen
  • Med skriftligt informeret samtykke

Ekskluderingskriterier:

  • Der mangler kliniske data
  • Utilgængelige MR-billeder
  • Uden skriftligt informeret samtykke

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Kohorte
  • Tidsperspektiver: Andet

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Retrospektiv kohorte
Den interne kohorte blev retrospektivt indskrevet på West China Hospital, Sichuan University fra juni 2010 og december 2020. Det er en trænings- og intern valideringskohorte.
Diagnostisk test: Radiomisk algoritme
Forskellige radiomiske, maskinlærings- og dybe læringsstrategier til ekstraktion af radiomiske egenskaber, sorteringsfunktioner og modelindsnævring.
Fremadrettet kohorte
De samme inklusions-/udelukkelseskriterier blev anvendt for det samme center fremover. Det er en ekstern valideringskohorte.
Diagnostisk test: Radiomisk algoritme
Forskellige radiomiske, maskinlærings- og dybe læringsstrategier til ekstraktion af radiomiske egenskaber, sorteringsfunktioner og modelindsnævring.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Den diagnostiske nøjagtighed af infantile levertumorer med dyb læringsalgoritme
Tidsramme: 1 måned
Den diagnostiske nøjagtighed af infantile levertumorer med dyb læringsalgoritme.
1 måned

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Den diagnostiske følsomhed af infantile levertumorer med dyb læringsalgoritme
Tidsramme: 1 måned
Den diagnostiske følsomhed af infantile levertumorer med dyb læringsalgoritme.
1 måned
Den diagnostiske specificitet af infantile levertumorer med dyb læringsalgoritme
Tidsramme: 1 måned
Den diagnostiske specificitet af infantile levertumorer med dyb læringsalgoritme.
1 måned
Den diagnostiske positive prædiktive værdi af infantile levertumorer med dyb læringsalgoritme
Tidsramme: 1 måned
Den diagnostiske positive prædiktive værdi af infantile levertumorer med dyb læringsalgoritme.
1 måned
Den diagnostiske negative prædiktive værdi af infantile levertumorer med dyb læringsalgoritme
Tidsramme: 1 måned
Den diagnostiske negative prædiktive værdi af infantile levertumorer med dyb læringsalgoritme.
1 måned

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

West China Hospital

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. januar 2021

Primær færdiggørelse (Forventet)

31. december 2023

Studieafslutning (Forventet)

31. december 2023

Datoer for studieregistrering

Først indsendt

8. december 2021

Først indsendt, der opfyldte QC-kriterier

22. december 2021

Først opslået (Faktiske)

27. december 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

27. december 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

22. december 2021

Sidst verificeret

1. december 2021

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • HX2021-345

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

Ingen

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Kliniske forsøg med Radiomisk algoritme

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Guatemala

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner