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

Anvendelse af hyperspektral billedanalyseteknologi til diagnosticering af kolorektal cancer baseret på koloskopisk biopsi

16. december 2022 opdateret af: Xiuli Zuo, Shandong University
Formålet med denne undersøgelse er at udvikle og validere en deep learning algoritme til diagnosticering af kolorektal cancer anden kolorektal sygdom ved at markere og analysere karakteristika ved hyperspektrale billeder baseret på de patologiske resultater af koloskopisk biopsi, for at forbedre objektiviteten og intelligensen af tidlig diagnose af tyktarmskræft.

Studieoversigt

Status

Rekruttering

Betingelser

Detaljeret beskrivelse

Indsaml prospektivt den hyperspektrale billedinformation af almindeligt koloskopisk biopsivæv. Det koloskopiske biopsivæv er fra endoskopicentret på Qilu Hospital ved Shandong University. De hyperspektrale billeder er markeret ud fra de patologiske biopsiresultater, og modellen med dybt konvolutionelt neuralt netværk (DCNN) anvendes. Med træning og verifikation, udvikle Hyperspectral Imaging Artificial Intelligence Diagnostic System (HSIAIDS). En del af koloskopisk biopsivæv vil blive indsamlet som et prospektivt testsæt for prospektivt at teste den diagnostiske ydeevne af HSIAIDS-algoritmen.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

50

Kontakter og lokationer

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

Studiekontakt

Studiesteder

  • Kina
    • Shandong
      • Jinan, Shandong, Kina, 250012
        • Rekruttering
        • Qilu hosipital

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

18 år til 75 år (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

patienter i alderen 18-75 år, der gennemgår koloskopiundersøgelse og biopsi;

Beskrivelse

Inklusionskriterier:

  • patienter i alderen 18-75 år, der gennemgår koloskopiundersøgelsen og biopsien

Ekskluderingskriterier:

  • patienter med alvorlig hjerte-, cerebral, lunge- eller nyredysfunktion eller psykiatriske lidelser, som ikke kan deltage i koloskopi
  • patienter med tidligere kirurgiske indgreb på mave-tarmkanalen.
  • patienter med kontraindikationer til biopsi
  • patienter, der nægter at underskrive samtykkeerklæringen

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: Fremadrettet

Kohorter og interventioner

Gruppe / kohorte
Deep learning algoritme gruppe
Efter at patienten har bestået screeningen, vil en rutinemæssig koloskopi blive udført, og målvævet med mistanke om betændelse eller neoplasi vil blive biopsieret. De kliniske efterforskere bruger det hyperspektrale mikroskop til at indsamle billedinformation af biopsivævet i endoskopirummet. Efter indsamling af information vil biopsiprøver rutinemæssigt blive behandlet og sendt til patologisk diagnose.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af HSI kunstig intelligens model til at identificere kolorektal adenom og cancer
Tidsramme: 1 år
Nøjagtighed af hyperspektral billeddannelse (HSI) kunstig intelligensmodel til at identificere kolorektal hyperplastisk polyp, adenom, SSL og kolorektal cancer. Nøjagtighed af kunstig intelligens-modeller Nøjagtighed = (sande positive + sande negative) / samlet antal forsøgspersoner * 100 %
1 år
Følsomhed
Tidsramme: 1 år
Sensitivitet af HSI kunstig intelligens-model Sensitivitet = antal sande positive / (antal sande positive + antal falske negative) * 100%.
1 år
Specificitet
Tidsramme: 1 år
Specificitet af HSI Artificial Intelligence Model Specificitet = antal sande negative / (antal sande negative + antal falske positive)*100 %
1 år
Negative forudsigelige værdier (NPV)
Tidsramme: 1 år
Negative prædiktive værdier for HSI kunstig intelligens-model = antal sande negative / (antal sande negative + antal falske negative)*100 %
1 år
AUC (95 % CI)
Tidsramme: 1 år
område under modtagerens driftskarakteristikkurve (AUC)
1 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
At registrere og evaluere eventuelle ukendte risici og uønskede hændelser ved hyperspektral billeddannelse i prøvebilledoptagelse
Tidsramme: 1 år
At registrere og evaluere eventuelle ukendte risici og uønskede hændelser ved hyperspektral billeddannelse i prøvebilledoptagelse
1 år

Samarbejdspartnere og efterforskere

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

Sponsor

Shandong University

Efterforskere

  • Studiestol: Xiuli Zuo, MD,PhD, Study Principal Investigator

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)

8. oktober 2022

Primær færdiggørelse (Forventet)

31. december 2023

Studieafslutning (Forventet)

31. december 2023

Datoer for studieregistrering

Først indsendt

8. oktober 2022

Først indsendt, der opfyldte QC-kriterier

8. oktober 2022

Først opslået (Faktiske)

12. oktober 2022

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

21. december 2022

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. december 2022

Sidst verificeret

1. oktober 2022

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2022-SDU-QILU-G003

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 Kolorektale neoplasmer

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Venezuela

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

3
Abonner