Multizentrische und multimodale Deep-Learning-Studie zu Magenkrebs
4. August 2021 aktualisiert von: Kai Li, First Hospital of China Medical University
Multizentrische und multimodale Deep-Learning-Studie zu Diagnose, Therapieergebnis und Prognose von Magenkrebs
Zur Unterstützung der postoperativen pathologischen Diagnose und Klassifizierung von Magenkrebs durch maschinelles Lernen; Verbesserung der Genauigkeit der pathologischen Diagnose von Magenkrebs durch maschinelles Lernen; Vorhersage der Wirksamkeit der Behandlung von Magenkrebs durch Deep Learning; Konstruktion eines Modells zur Vorhersage des Überlebens von Magenkrebspatienten durch multimodales Deep Learning.
Studienübersicht
Status
Aktiv, nicht rekrutierend
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
3300
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Jiangsu
-
Changzhou, Jiangsu, China, 213001
- The fourth People's Hospital of Changzhou
-
-
Liaoning
-
Chaoyang, Liaoning, China, 122099
- Chaoyang Central Hospital
-
Fushun, Liaoning, China, 113012
- The General Hospital of Fushun Mining Bureau
-
Jinzhou, Liaoning, China, 121012
- First Hospital of Jinzhou Medical University
-
Shenyang, Liaoning, China, 110000
- The First Affiliated Hospital of China Medical University
-
-
Shandong
-
Ji'nan, Shandong, China, 250033
- The Second Hospital of Shandong 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 bis 79 Jahre (Erwachsene, Älterer Erwachsener)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
An der Phase-I-Studie werden 3000 Magenkrebspatienten teilnehmen, die in eine Trainingsgruppe und eine interne Validierungsgruppe eingeteilt werden.
300 Magenkrebspatienten in fünf weiteren medizinischen Zentren werden die externe Validierungsgruppe bilden.
Beschreibung
Einschlusskriterien:
- Die Diagnose Magenkrebs wurde pathologisch bestätigt;
- Präoperatives verstärktes Abdominal-CT;
- Verfügbare detaillierte klinische und pathologische Daten;
- Integrierte Folgedaten.
Ausschlusskriterien:
- Die Patienten hatten eine schwere Grunderkrankung;
- Das Gesamtüberleben betrug weniger als 3 Monate;
- Es konnten keine detaillierten Informationen erhoben werden.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Trainingsgruppe
Basierend auf den Einschlusskriterien werden 2000 Magenkrebspatienten in die Analyse aufgenommen.
Und ein Modell wird auf der Grundlage von Deep Learning konstruiert.
|
Alle Teilnehmer wurden durch den kontrastverstärkten CT-Scan des gesamten Abdomens gemessen.
An allen Proben der aufgenommenen Patienten wurde eine HE-pathologische Untersuchung durchgeführt.
|
|
Interne Validierungsgruppe
Basierend auf den Einschlusskriterien werden 1000 Magenkrebspatienten in diese Gruppe rekrutiert, um die Sensitivität und Spezifität des konstruierten Modells zu überprüfen.
|
Alle Teilnehmer wurden durch den kontrastverstärkten CT-Scan des gesamten Abdomens gemessen.
An allen Proben der aufgenommenen Patienten wurde eine HE-pathologische Untersuchung durchgeführt.
|
|
Externe Validierungsgruppe
Basierend auf den Einschlusskriterien werden 300 Magenkrebspatienten aus 5 anderen medizinischen Zentren in diese Gruppe rekrutiert, um die Sensitivität und Spezifität des konstruierten Modells zu überprüfen.
|
Alle Teilnehmer wurden durch den kontrastverstärkten CT-Scan des gesamten Abdomens gemessen.
An allen Proben der aufgenommenen Patienten wurde eine HE-pathologische Untersuchung durchgeführt.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Maximaler Durchmesser des Tumors
Zeitfenster: 1 Tag
|
Messung des maximalen Durchmessers des Tumors im präoperativen Enhanced-Abdomen-CT von Patienten mit Magenkrebs.
|
1 Tag
|
|
Wachstumsmuster
Zeitfenster: 1 Tag
|
Beurteilung des Wachstumsmusters im präoperativen Enhanced-Abdomen-CT von Patienten mit Magenkrebs, einschließlich endophytischem, exophytischem und gemischtem Magenkrebs.
|
1 Tag
|
|
Verbesserungsmuster
Zeitfenster: 1 Tag
|
Bewertung des Enhancement-Musters auf präoperativem Enhanced-Abdomen-CT von Patienten mit Magenkrebs, einschließlich homogener und heterogener.
|
1 Tag
|
|
Verbesserungsgrad
Zeitfenster: 1 Tag
|
Bewertung des Enhancement-Grades auf präoperativem Enhanced-Abdomen-CT von Patienten mit Magenkrebs, einschließlich Hypo-Enhancement, Iso-Enhancement und Hyper-Enhancement.
|
1 Tag
|
|
Kerngröße
Zeitfenster: 1 Tag
|
Um die Kerngröße von postoperativen H&E-gefärbten Schnitten und Objektträgern von Magenkrebs durch Deep Learning zu erhalten.
|
1 Tag
|
|
Kernform
Zeitfenster: 1 Tag
|
Um die Kernform von postoperativen H&E-gefärbten Schnitten und Objektträgern von Magenkrebs durch Deep Learning zu erhalten.
|
1 Tag
|
|
Verteilung der Pixelintensität
Zeitfenster: 1 Tag
|
Um die Verteilung der Pixelintensität von postoperativen H&E-gefärbten Schnitten und Objektträgern von Magenkrebs durch Deep Learning zu erhalten.
|
1 Tag
|
|
Textur der Kerne
Zeitfenster: 1 Tag
|
Um die Textur der Kerne von postoperativen H&E-gefärbten Schnitten und Objektträgern von Magenkrebs durch Deep Learning zu erhalten.
|
1 Tag
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Überlebensstatus
Zeitfenster: 1 Tag
|
Analyse des Überlebensstatus von Patienten mit Magenkrebs unter Einbeziehung von Toten und Lebenden.
|
1 Tag
|
|
Gesamtüberleben
Zeitfenster: 1 Tag
|
Berechnung des Gesamtüberlebens von Patienten mit Magenkrebs basierend auf Tagen bis zum Tod und Tagen bis zur letzten Nachsorge.
|
1 Tag
|
|
Rezidiv/Metastasierung
Zeitfenster: 1 Tag
|
Zur Berechnung der Tage bis zum Wiederauftreten/Metastasieren von Patienten mit Magenkrebs.
|
1 Tag
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Mitarbeiter
Ermittler
- Hauptermittler: Kai Li, MD, First Hospital of China Medical University
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. Juli 2021
Primärer Abschluss (Voraussichtlich)
31. Januar 2022
Studienabschluss (Voraussichtlich)
31. Dezember 2024
Studienanmeldedaten
Zuerst eingereicht
1. August 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
4. August 2021
Zuerst gepostet (Tatsächlich)
11. August 2021
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
11. August 2021
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
4. August 2021
Zuletzt verifiziert
1. August 2021
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- FirstHCMU_DL_oncology
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 .