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
- Name: Zhilei Lv, MD
- Telefonnummer: 86-15107177084
- E-Mail: 794646434@qq.com
Studienorte
-
-
Hubei
-
Wuhan, Hubei, China, 430000
- Rekrutierung
- Wuhan Union Hospital
-
Kontakt:
- Zhilei Lv, MD
- Telefonnummer: 86-15107177084
- E-Mail: 794646434@qq.com
-
-
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
Zusätzliche relevante MeSH-Bedingungen
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 .