Udvikling af en MRI-baseret Deep Learning-model til at forudsige MMR-status
Udvikling af en MRI-baseret Deep Learning-model til at forudsige MMR-status for endometriekarcinom
For at udvikle en bekvem, billig og omfattende metode til præoperativt at forudsige dMMR og reducere antallet af mennesker, der har behov for dMMR-relateret immunhistokemisk eller genetisk testning efter operation, sigter denne undersøgelse på at etablere en dyb læringsmodel baseret på MR for at forudsige MFR-status for endometriecancer. Patienter diagnosticeret med endometriecancer efter operationen, og som havde gennemført bækken-MR før operationen, blev indsamlet. Deep learning blev brugt til at kombinere den kliniske model med MR Image-data for at bygge modellen. ROC-kurver blev konstrueret for testgruppen, intern verifikationsgruppe og ekstern verifikationsgruppe, og arealet under ROC-kurver blev beregnet for at evaluere den diagnostiske effekt og stabilitet af modellen.
Den dobbelte tærskeltriagestrategi blev brugt til at screene pMMR-populationen (under den nedre tærskel), dMMR-populationen (over den øvre tærskel) og den usikre del af populationen (mellem tærsklerne).
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
I denne undersøgelse blev patienter diagnosticeret med endometriecancer efter operation, og som havde gennemført bækken-MR før operation, indsamlet fra 2017 til 2022. Det forventes at indsamle 500 sager på vores hospital, som er fordelt på 375 sager (forsøgsgruppe) og 125 sager (intern verifikationsgruppe).
100 tilfælde af Sun Yat-sen University Cancer Center til ekstern verifikation. Kliniske data (alder, køn, BMI, CA125, CA19-9, MR-T-stadieinddeling, immunhistokemiske resultater af MFR-relaterede proteiner) fra undersøgelsespopulationen blev indsamlet, og logistisk regressionsanalyse blev udført for at etablere kliniske modeller. Udtræk, segmenter, integrer og forbedre MR Image-data.
Deep learning blev brugt til at kombinere den kliniske model med MR Image-data for at bygge modellen. ROC-kurver blev konstrueret for testgruppen, intern verifikationsgruppe og ekstern verifikationsgruppe, og arealet under ROC-kurver blev beregnet for at evaluere den diagnostiske effekt og stabilitet af modellen.
Den dobbelte tærskeltriagestrategi blev brugt til at screene pMMR-populationen (under den nedre tærskel), dMMR-populationen (over den øvre tærskel) og den usikre del af populationen (mellem tærsklerne). Hvis den prædiktive score er over den nedre tærskel, rådes patienten til at gennemgå yderligere immunhistokemisk eller genetisk testning for at bekræfte MFR-status eller dMMR-type
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiekontakt
- Navn: Jing Li
- Telefonnummer: 15915893493
- E-mail: lijing228@mail.sysu.edu.cn
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter diagnosticeret med endometriecancer efter operationen, og som havde gennemført bækken-MR før operationen fra 2017 til 2022
Ekskluderingskriterier:
- (1) Der var intet immunhistokemisk påvisningsresultat af MMR-relateret protein; (2) Strålebehandling og kemoterapi før MR; (3) små tumorer, der er svære at identificere på billedet (<5 mm); (4) Den T2-vægtede billedkvalitet er utilstrækkelig til at plotte ROI, såsom tydelige bevægelsesartefakter; (5) Der er andre gynækologiske maligniteter
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Testgruppe
375 patienter på vores hospital, tilfældigt opdelt.
|
500 patienter på vores hospital blev tilfældigt opdelt i testgruppe og intern valideringsgruppe, og 100 patienter på kollaborativt hospital var ekstern valideringsgruppe.
|
|
Intern valideringsgruppe
125 patienter på vores hospital, tilfældigt opdelt.
|
500 patienter på vores hospital blev tilfældigt opdelt i testgruppe og intern valideringsgruppe, og 100 patienter på kollaborativt hospital var ekstern valideringsgruppe.
|
|
Ekstern valideringsgruppe
100 patienter fra Sun Yat-sen University Cancer Center
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Område under modtagerens driftskarakteristikkurve (AUROC)
Tidsramme: et år
|
Arealet under modtagerens driftskarakteristikkurve (AUROC) blev brugt til at evaluere modellernes ydeevne
|
et år
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Datoer for undersøgelser
Studer store datoer
Studiestart (Forventet)
Primær færdiggørelse (Forventet)
Studieafslutning (Forventet)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- SYSKY-2023-084-01
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .