Verwendung von Deep-Learning-Methoden zur Analyse von automatisiertem Brust-Ultraschall und handgehaltenen Ultraschallbildern zur Erstellung eines Diagnose-, Therapiebewertungs- und Prognosevorhersagemodells für Brustkrebs.
12. Januar 2022 aktualisiert von: Song Hongping, The First Affiliated Hospital of the Fourth Military Medical University
Erstellung und Bewertung eines präzisen Diagnose-, Therapiebewertungs- und Prognosevorhersagemodells für Brustkrebs auf der Grundlage künstlicher Intelligenz
Der Zweck dieser Studie ist die Verwendung einer Deep-Learning-Methode zur Analyse der Bilder des automatisierten Brustultraschalls (ABUS) und des handgehaltenen Ultraschalls (HHUS), um ein Diagnose-, Therapiebewertungs- und Prognosevorhersagemodell für Brustkrebs zu erstellen und zu bewerten.
Das Modell würde wichtige Hinweise für weitere Frühprävention, Frühdiagnose und personalisierte Behandlung liefern.
Studienübersicht
Detaillierte Beschreibung
- Aufbau einer Datenbank Durch das Sammeln von ABUS-, HHUS- und umfassenden Brustbilddaten, wesentlichen Informationen, klinischen Behandlungsinformationen, Prognosen und Heilwirkungsinformationen wird eine vollständige Brustbilddatenbank aufgebaut.
- Markieren von ABUS-Bildern Drei Ärzte verwenden ein halbautomatisches Verfahren, um die Läsionen auf dem Bild einzurahmen.
- Erstellen des Modells Verwenden der Deep-Learning-Methode zum Vorverarbeiten, Analysieren und Trainieren der markierten Bilder, um schließlich ein Modell für Diagnose, Wirksamkeitsbewertung und Prognosevorhersage von Brustkrebs zu erhalten.
- Bewertung des Modells 1）Selbstvalidierung： Analysieren Sie die Sensitivität, AUC des Brustkrebs-Diagnosemodells und die falsch-positive Zahl für jedes ABUS-Volumen.
2) Vergleich der Sensitivität, AUC und der falsch-positiven Zahl mit einem kommerziellen Diagnosemodell.
3) Prüfung der Screening- und diagnostischen Wirksamkeit computergestützter Diagnosesysteme durch prospektive oder retrospektive Studien.
4) Durch Analyse der Größe und Eigenschaften der Läsionen nach neoadjuvanter Chemotherapie und Vorhersage der OS- und DFS-Zeit wurden das Therapiebewertungs- und Prognosevorhersagemodell evaluiert.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
10000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Shaanxi
-
Xi'an, Shaanxi, China, 710000
- Rekrutierung
- The First Affiliated Hospital of Fourth Military Medical 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
Ja
Studienberechtigte Geschlechter
Weiblich
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
Patientinnen über 18 Jahre aus zwei Ländern (China und Korea).
Beschreibung
Einschlusskriterien:
- Patientinnen über 18 Jahren, die zur körperlichen Untersuchung oder Behandlung in die beiden Zentren kommen;
- Vollständige Grundinformationen und Bilddaten
Ausschlusskriterien:
- Es gibt keine vollständigen ABUS- und HHUS-Bilddaten;
- Die Bildqualität ist schlecht;
- Beim multifokalen Mammakarzinom ist die Korrelation zwischen dem Tumor im Bild und der postoperativen pathologischen Untersuchung unsicher.
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 |
|---|---|
|
bösartige Gruppe
Frauen mit pathologisch bestätigten malignen Läsionen
|
Verwenden der Deep-Learning-Methode zum Analysieren und Extrahieren der Merkmale von automatisiertem Brust-Ultraschall und handgehaltenen Ultraschallbildern
|
|
gutartige Gruppe
Frauen mit gutartigen Läsionen, die pathologisch bestätigt oder in der Nachbeobachtung > 2 Jahre stabil sind
|
Verwenden der Deep-Learning-Methode zum Analysieren und Extrahieren der Merkmale von automatisiertem Brust-Ultraschall und handgehaltenen Ultraschallbildern
|
|
normale Gruppe
Frauen haben normale Bilder mit Follow-up > 2 Jahren
|
Verwenden der Deep-Learning-Methode zum Analysieren und Extrahieren der Merkmale von automatisiertem Brust-Ultraschall und handgehaltenen Ultraschallbildern
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Empfindlichkeit
Zeitfenster: 4 Jahre
|
Anteil korrigiert-markierter maligner Läsionen durch das Modell
|
4 Jahre
|
|
falsch-positiv pro Band
Zeitfenster: 4 Jahre
|
die Anzahl unkorrigiert markierter bösartiger Läsionen durch das Modell
|
4 Jahre
|
|
Bereich unter der Kurve
Zeitfenster: 4 Jahre
|
Fläche unter der Receiver Operating Characteristic (ROC)-Kurve in Prozent (%)
|
4 Jahre
|
|
Gesamtüberlebenszeit (OS).
Zeitfenster: bis zu 10 Jahre
|
Es misst die Zeit von der Krebsdiagnose bis zur Todesursache.
|
bis zu 10 Jahre
|
|
Zeit des krankheitsfreien Überlebens (DFS).
Zeitfenster: bis zu 5 Jahre
|
Die Zeit, in der der Patient nach der Behandlung frei von Anzeichen und Symptomen einer Krankheit ist.
|
bis zu 5 Jahre
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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. Februar 2020
Primärer Abschluss (ERWARTET)
1. September 2024
Studienabschluss (ERWARTET)
1. September 2024
Studienanmeldedaten
Zuerst eingereicht
12. Februar 2020
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
13. Februar 2020
Zuerst gepostet (TATSÄCHLICH)
17. Februar 2020
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
27. Januar 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
12. Januar 2022
Zuletzt verifiziert
1. Januar 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- AI-Breast-US
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
Ja
Produkt, das in den USA hergestellt und aus den USA exportiert wird
Ja
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 .