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

Klassifikation gutartiger und bösartiger Lungenknoten basierend auf CT-Rohdaten

29. Juni 2022 aktualisiert von: Di Dong, Chinese Academy of Sciences

Vergleich und Analyse der Vorhersageleistung von CT- und Rohdaten bei der gutartigen und bösartigen Klassifikation von Lungenknoten

Der Einsatz medizinischer Bilder in Kombination mit tiefen neuronalen Netzen zur Unterstützung der klinischen Diagnose, der therapeutischen Wirkung und der Prognosevorhersage ist heutzutage ein Hotspot. Alle bestehenden Methoden werden jedoch auf der Grundlage der rekonstruierten medizinischen Bilder und nicht der verlustfreien Rohdaten entwickelt. In Anbetracht der Tatsache, dass medizinische Bilder eher für das menschliche Auge als für die KI bestimmt sind, versuchen wir, Rohdaten zu verwenden, um die Bösartigkeit von Lungenknoten vorherzusagen, und haben die Vorhersageleistung mit CT verglichen. Experimente werden die Machbarkeit der Diagnose durch CT-Rohdaten beweisen. Wir glauben, dass die vorgeschlagene Methode vielversprechend ist, um die derzeitige medizinische Diagnosepipeline zu verändern, da sie das Potenzial hat, die Radiologen zu entlasten.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Das routinemäßig verwendete diagnostische Schema von Krebs folgt dem Prozess von Signal zu Bild zu Diagnose. Es ist wichtig, die sichtbaren Bilder aus dem Signal des medizinischen Geräts zu rekonstruieren, damit der menschliche Arzt eine Diagnose durchführen kann. Allerdings wird die riesige Menge an Informationen innerhalb des Signals nicht optimal abgebaut, was die derzeitige unbefriedigende Leistung der bildbasierten Diagnose verursacht.

In dieser klinischen Studie werden wir ein KI-basiertes Diagnoseschema für Lungenknoten direkt vom Signal (Rohdaten) bis zur Diagnose entwickeln, wobei der Rekonstruktionsschritt übersprungen wird. In dieser Studie werden wir uns auf die Unterscheidung von bösartigen von gutartigen Lungenknoten konzentrieren. Wir werden einen Datensatz von Patienten sammeln, bei denen Lungenknoten aussortiert wurden. Alle Patienten werden präoperativ einem CT-Scan unterzogen (Rohdaten und CT-Bilder verfügbar) und haben ein pathologisch bestätigtes Ergebnis der Knötchen. Wir werden ein Modell erstellen, das nur Rohdaten für die Diagnose der Lungenknoten verwendet. Außerdem wird zum Vergleich ein weiteres Modell aus CT-Bildern gebaut.

Darüber hinaus werden wir diese Patienten nachverfolgen und ein Modell basierend auf CT-Rohdaten für die Prognoseanalyse von Lungenkrebs erstellen.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

626

Kontakte und Standorte

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

Studienorte

  • China
    • Jilin
      • Changchun, Jilin, China, 130021
        • The First Hospital of Ji Lin University

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 und älter (ERWACHSENE, OLDER_ADULT)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Patienten, bei denen Lungenknoten durch CT aussortiert wurden, werden in diese Studie aufgenommen. Der goldene Standard ist die pathologisch bestätigte Malignität des Knotens.

Beschreibung

Einschlusskriterien:

  1. Patienten, die Lungenknoten aussortiert werden.
  2. Die CT-Daten und entsprechende CT-Rohdaten stehen vor der Operation zur Verfügung.
  3. Die endgültige pathologische Diagnose der Malignität des Knotens ist verfügbar.

Ausschlusskriterien:

  1. Vorgeschichte von Lungenmalignomen.
  2. Artefakte auf CT-Bildern, die die Beobachtung der Läsion ernsthaft verschlechtern.
  3. Das Zeitintervall zwischen CT-Scan und pathologischer Diagnose beträgt mehr als 4 Wochen.

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Das erste Krankenhaus der Ji Lin Universität
Es werden CT-Daten und entsprechende CT-Rohdaten von Patienten mit Lungenknoten erhoben.
Sonstiges: Keine Eingriffe
Keine Eingriffe

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Fläche unter der Receiver Operating Characteristic Curve (ROC)
Zeitfenster: 8 Monate
Fläche unter der Kurve (AUC) von Rohdaten bei der Unterscheidung von bösartigen Knötchen von gutartigen Knötchen.
8 Monate
Krankheitsfreies Überleben
Zeitfenster: 5 Jahre
Der Zusammenhang zwischen Rohdaten und krankheitsfreiem Überleben (DFS), das als die Zeit vom Beginn der Diagnose von Lungenkrebs bis zum bestätigten Zeitpunkt des Wiederauftretens oder der metastasierten Erkrankung oder des Todes definiert ist.
5 Jahre
Gesamtüberleben
Zeitfenster: 5 Jahre
Der Zusammenhang zwischen Rohdaten und dem Gesamtüberleben (OS), das als die Zeit vom Beginn der Diagnose von Lungenkrebs bis zum Tod jeglicher Ursache definiert ist.
5 Jahre

Mitarbeiter und Ermittler

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

Sponsor

Chinese Academy of Sciences

Mitarbeiter

The First Hospital of Jilin University
Neusoft Medical Systems Co., Ltd.

Ermittler

  • Studienleiter: Yali Zang, Ph.D., Institute of Automation, Chinese Academy of Sciences

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

Nützliche Links

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)

15. April 2019

Primärer Abschluss (TATSÄCHLICH)

30. Juni 2022

Studienabschluss (TATSÄCHLICH)

30. Juni 2022

Studienanmeldedaten

Zuerst eingereicht

23. Januar 2020

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

23. Januar 2020

Zuerst gepostet (TATSÄCHLICH)

27. Januar 2020

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (TATSÄCHLICH)

30. Juni 2022

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

29. Juni 2022

Zuletzt verifiziert

1. Juni 2022

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • CASMI001

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 .

Abonnieren