Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
22. juni 2026 opdateret af: Yunnan Cancer Hospital
Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation
This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS).
To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Undersøgelsestype
Interventionel
Tilmelding (Anslået)
1800
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Zhenhui LI
- Telefonnummer: 13698736132
- E-mail: lizhenhui@kmmu.edu.cn
Undersøgelse Kontakt Backup
- Navn: Yu Xie
- Telefonnummer: 13708445492
- E-mail: xieyu@kmmu.edu.cn
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
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Beskrivelse
Inclusion Criteria:
- Histopathologically confirmed invasive breast cancer;
- Planned to receive a full course of neoadjuvant therapy;
- Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.
Exclusion Criteria:
- Previous history of ipsilateral breast cancer or chest radiotherapy;
- Distant metastasis (Stage IV);
- Poor image quality or missing clinical data exceeding 20%.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: N/A
- Interventionel model: Enkelt gruppeopgave
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
|
MRI and ultrasound were performed in addition to conventional treatment regimens
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Tidsramme: From enrollment to the end of surgery
|
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed.
Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
|
From enrollment to the end of surgery
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Prognostic predictive value of multimodal data for breast cancer
Tidsramme: From enrollment to the end of surgery
|
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS).
Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
|
From enrollment to the end of surgery
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Studieleder: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer 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 (Anslået)
1. juni 2026
Primær færdiggørelse (Anslået)
31. december 2026
Studieafslutning (Anslået)
30. juni 2029
Datoer for studieregistrering
Først indsendt
19. maj 2026
Først indsendt, der opfyldte QC-kriterier
22. juni 2026
Først opslået (Faktiske)
26. juni 2026
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
26. juni 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. juni 2026
Sidst verificeret
1. maj 2026
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- KYLX2026-205
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 .