Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Bildgebungsbasiertes Deep Learning für die Diagnose und Stadieneinteilung von Lungenkrebs

15. November 2021 aktualisiert von: Yang Jin, Wuhan Union Hospital, China

Die Rolle des auf der CNN-Architektur basierenden Transferlernens der medizinischen Bildgebung bei der Diagnose und Einstufung von Lungenkrebs

Die Diagnose und das Staging von Lungenkrebs sind zwei grundlegende und kritische Themen bei der klinischen Behandlung von Lungenkrebs und der therapeutischen Entscheidungsfindung. Invasive Verfahren zur pathologischen Analyse sind Goldstandard für Diagnose und Staging, jedoch sind mit invasiven Verfahren verbundene Komplikationen unvermeidlich. Die nichtinvasive medizinische Bildgebung ist ein leistungsstarkes Werkzeug, jedoch gibt es fast keinen Raum für Verbesserungen, nur nach der Erfahrung von Radiologen und Klinikern. Die Forscher werden die Rolle des computergestützten Deep Learning der medizinischen Bildgebung bei der Diagnose von Lungenläsionen, Lymphknoten und anderen Stellen untersuchen, an denen Metastasen vermutet werden.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Radiologe

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

500

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

    • Hubei
      • Wuhan, Hubei, China, 430000
        • Rekrutierung
        • Wuhan Union Hospital
        • Kontakt:

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre bis 75 Jahre (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Lungenkrebspatienten mit PET/CT oder CT-Untersuchung vor einer krebsspezifischen Behandlung

Beschreibung

Einschlusskriterien:

  • Pathologische Diagnose von Lungenkrebs
  • PET/CT oder CT-Untersuchung vor jeder krebsspezifischen Behandlung

Ausschlusskriterien:

  • Eine Geschichte anderer bösartiger Erkrankungen

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: Kohorte
  • Zeitperspektiven: Interessent

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
durch Deep Learning vorhergesagte Beteiligung von Krebszellen
die Teilnehmer mit Läsionen von Lunge, Lymphknoten oder anderen Stellen, die durch bildbasiertes Deep Learning als positiv für eine Beteiligung von Krebszellen vorhergesagt wurden.
Behandlungsabsicht Chirurgie
diagnostische Punktion
keine durch Deep Learning vorhergesagte Beteiligung von Krebszellen
die Teilnehmer mit Läsionen von Lunge, Lymphknoten oder anderen Stellen, die durch bildbasiertes Deep Learning als negativ für eine Beteiligung von Krebszellen vorhergesagt wurden.
Behandlungsabsicht Chirurgie
diagnostische Punktion

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Zeitfenster
Das pathologische Ergebnis zeigte eine Beteiligung von Krebszellen an der Läsion
Zeitfenster: 1 Monat nach dem pathologischen Test
1 Monat nach dem pathologischen Test

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. Mai 2018

Primärer Abschluss (Voraussichtlich)

30. Dezember 2021

Studienabschluss (Voraussichtlich)

1. Mai 2024

Studienanmeldedaten

Zuerst eingereicht

24. Juni 2019

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

24. Juni 2019

Zuerst gepostet (Tatsächlich)

27. Juni 2019

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

16. November 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

15. November 2021

Zuletzt verifiziert

1. November 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • AFDSFA

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

Unentschieden

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .