En CT-BASERET Deep Learning-model til forudsigelse af WHO/ISUP-patologiske grader af klarcellet nyrecellekarcinom (ccRCC): Et multicenter kohortestudie
Denne undersøgelse har til formål at etablere en effektiv deep learning-model til at udtrække relevant information om nyretumorer og nyrer fra computertomografi (CT) billeder og forudsige de patologiske grader af klarcellet nyrecellecarcinom (ccRCC).
Retrospektive data blev indsamlet fra 483 ccRCC-patienter på tværs af tre medicinske centre. Arteriel fase og portal venøs fase CT-billeder fra datasættet blev segmenteret for nyretumorer og nyrer. Tre konvolutionelle neurale netværk (CNN'er) blev brugt til at udtrække funktioner fra regionerne af interesse (ROI) i CT-billederne på tværs af flere dimensioner, herunder 3D, 2.5D og 2D. Mindst absolut svind og selektion (LASSO) regression blev brugt til funktionsvalg. Modellerne blev evalueret ved hjælp af receiver operation characteristic (ROC) kurver og beslutningskurveanalyse (DCA).
Studieoversigt
Status
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Zhejiang
-
Jinhua, Zhejiang, Kina, 321000
- Department of Urology, Affiliated Jinhua Hospital, Zhejiang University School of Medicine, Jinhua,Zhejiang, China
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter med en enkelt nyretumor har fuldstændig billeddannelse og kliniske data
- Kontrastforstærket CT-scanning inden for 30 dage før operationen
- Ingen behandling blev udført før CT-undersøgelse
Ekskluderingskriterier:
- Patienter med tumortilbagefald
- Tydelige artefakter på CT-billeder
- Tumoren er cystisk
- Flere cyster på den berørte nyre påvirker afgrænsningen af nyreparenkym
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Høj karakter
|
|
Lav karakter
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
forudsige de patologiske grader af klarcellet nyrecellekarcinom (ccRCC)
Tidsramme: 2019-2024
|
AUC kurve
|
2019-2024
|
|
forudsige de patologiske grader af klarcellet nyrecellekarcinom (ccRCC)
Tidsramme: 2019-2024
|
DCA kurve
|
2019-2024
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
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
Yderligere relevante MeSH-vilkår
- Neoplasmer efter histologisk type
- Neoplasmer
- Urologiske neoplasmer
- Urogenitale neoplasmer
- Neoplasmer efter sted
- Nyresygdomme
- Urologiske sygdomme
- Adenocarcinom
- Neoplasmer, kirtel og epitel
- Nyre-neoplasmer
- Urogenitale sygdomme hos kvinder
- Kvinders urogenitale sygdomme og graviditetskomplikationer
- Urogenitale sygdomme
- Mandlige urogenitale sygdomme
- Karcinom, nyrecelle
- Karcinom
Andre undersøgelses-id-numre
- 2024107
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 .