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

Blasenkrebserkennung mit Convolutional Neural Networks (BLAInostic)

28. Januar 2024 aktualisiert von: Zealand University Hospital
Die Forscher zielen darauf ab, verschiedene Deep-Learning-Architekturen zu experimentieren und zu implementieren, um eine Genauigkeit auf menschlicher Ebene in computergestützten Diagnosesystemen (CAD) zu erreichen. Insbesondere sind die Forscher in diesem Projekt daran interessiert, Blasentumoren aus CT-Urographie-Scans und Zystoskopien der Blase zu erkennen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Die Forscher zielen darauf ab, verschiedene Deep-Learning-Architekturen zu experimentieren und zu implementieren, um eine Genauigkeit auf menschlicher Ebene in computergestützten Diagnosesystemen (CAD) zu erreichen. Insbesondere sind die Forscher in diesem Projekt daran interessiert, Blasentumoren aus CT-Urographie-Scans und Zystoskopien der Blase zu erkennen. Die Forscher wollen Blasentumore unter Verwendung verschiedener Convolutional Neural Networks (CNN) als Krebs, Nicht-Krebs, hochgradig und niedriggradig, invasiv und nicht-invasiv, mit hoher Empfindlichkeit und niedriger Falsch-Positiv-Rate klassifizieren. Diese Aufgabe kann als erster Schritt beim Aufbau von CAD-Systemen für die Diagnose von Blasenkrebs angesehen werden. Darüber hinaus verkürzt der Untersuchungsscan durch die Automatisierung dieser Aufgabe die Zeit für die Radiologen erheblich, um große beschriftete Datensätze von CT-Urographie-Scans zu erstellen, und reduziert die falsch-negativen und positiven Ergebnisse, die aufgrund von Zystoskopien zur menschlichen Bewertung auftreten können.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

5000

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • Dänemark
      • Roskilde, Dänemark, 4000
        • Rekrutierung
        • Zealand University Hospital
        • Kontakt:
        • Hauptermittler:
          • Nessn Azawi, Ph.D

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Patienten mit mikro- oder makroskopischer Hämaturie

Beschreibung

Einschlusskriterien:

  • Patienten mit erstmaliger Hämaturie
  • Patienten mit dem Kontrollprogramm für früheren Blasenkrebs

Ausschlusskriterien:

  • Patienten mit Kontroll-Zystoskop für eine Erkrankung ohne Krebsverdacht

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
Blasentumor erkennen
Patienten mit Hämaturie oder früherem Blasentumor
Diagnosetest: Al_Blase
Erkennung von Blasentumoren mit Hilfe von künstlicher Intelligenz

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Vergleich der Standardtechnik mit maschinellem Lernen
Zeitfenster: 5 Jahre
Die Genauigkeit des maschinellen Lernens zur Erkennung von Blasenkrebs im Vergleich zur Standard-Zystoskopie
5 Jahre

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Erkennungsgenauigkeit von Subtypen von Blasenkrebs
Zeitfenster: 5 Jahre
Die Fähigkeit des maschinellen Lernens, hochgradigen Blasenkrebs von niedriggradigem Blasenkrebs zu unterscheiden
5 Jahre

Mitarbeiter und Ermittler

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

Sponsor

Zealand University Hospital

Ermittler

  • Hauptermittler: Nessn Azawi, phd, Zealand University Hospital

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. Juni 2021

Primärer Abschluss (Geschätzt)

1. Juni 2026

Studienabschluss (Geschätzt)

1. Juni 2026

Studienanmeldedaten

Zuerst eingereicht

17. November 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

14. Januar 2022

Zuerst gepostet (Tatsächlich)

18. Januar 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

30. Januar 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

28. Januar 2024

Zuletzt verifiziert

1. Januar 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • SJ-905

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

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