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

Brug af kunstig intelligens til at forudsige resultater af rektal kræft

9. februar 2023 opdateret af: Taichung Veterans General Hospital

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

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Fra 2010.10.1~2021.12.31 blev endetarmskræftpatienter med cT3-4 læsion inkluderet. Saml højkvalitets CT-billeder med DICOM-filer i tumorsegment. cT1-2, lave rektale læsioner, ikke-CRC tilfælde var ikke inkluderet. Ikke-kontrastbilleder og kunstige defektbilleder blev også udelukket. CT-billeder blev mærket som "syge", når CRM var truet (<2 mm). Alle billeder blev mærket efter vurdering fra 2 specialister. Dataene blev opdelt i 2 dele. En til træning og test af AI-modeller, en anden til ekstern validering. Træningstestdatasættet blev opnået ved deep learning neurale netværk og evaluering af modellens nøjagtighed. Derefter blev modellen anvendt i eksternt valideringsdatasæt til test i den virkelige verden, der evaluerede sammenhængen mellem AI og Dr.-beslutningen. Desuden for at se resultaterne af kræftoverlevelse i henhold til AI-modellens forudsigelsesresultater.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

720

Kontakter og lokationer

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

Studiesteder

  • Taiwan
      • Taichung, Taiwan
        • Taichung Verterans General Hospital

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

20 år til 100 år (VOKSEN, OLDER_ADULT)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Endetarmskræft diagnosticeret i løbet af 2010.10.1-2022.7.31. klinisk T3-4 læsion. med højkvalitets CT-billeder med kontrast.

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

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / 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.
Andet: Som træningsmateriale til deep learning model.
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.
Andet: Som materialer til ekstern validering for opbygningsmodellen.
Brug af det eksterne valideringssæt til at evaluere forudsigelsesrate og overlevelsesresultat.

Hvad måler undersøgelsen?

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

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

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

Sponsor

Taichung Veterans General Hospital

Efterforskere

  • Ledende efterforsker: ChunuYu Lin, M.D., Taichung Veterans General 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. oktober 2010

Primær færdiggørelse (FAKTISKE)

31. juli 2022

Studieafslutning (FAKTISKE)

31. december 2022

Datoer for studieregistrering

Først indsendt

5. januar 2023

Først indsendt, der opfyldte QC-kriterier

9. februar 2023

Først opslået (FAKTISKE)

13. februar 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (FAKTISKE)

13. februar 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

9. februar 2023

Sidst verificeret

1. februar 2023

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • CE21235B

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 Som træningsmateriale til deep learning model.

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Papua New Guinea

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner