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

Verwendung künstlicher Intelligenz zur Vorhersage von Rektumkrebsergebnissen

9. Februar 2023 aktualisiert von: Taichung Veterans General Hospital

Verwendung der CNN-Bilderkennung zur Vorhersage von Rektumkrebsergebnissen

Retrospektive Erfassung von Fällen durch den Ermittler im Zeitraum 2010–2021, die als rektales Adenokarzinom diagnostiziert wurden, mit qualitativ hochwertigen CT-Bildern. Lokale Fälle von fortgeschrittenem Rektumkarzinom wurden als „Krankheit“ bezeichnet. Sie wurden auch nicht als „normal“ definiert.

Verwendung von CNN mit künstlicher Intelligenz auf einem Jupyter-Notebook mit offenem Phyton-Code zum Trainieren und Entwickeln von Modellen, die in der Lage sind, lokalen fortgeschrittenen Rektumkrebs zu erkennen. Ändern Sie den Phyton-Code für eine bessere Vorhersagerate und helfen Sie dem Arzt, den Schweregrad der Erkrankung bei frischen Fällen von Rektumkrebs schnell zu bewerten.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Von 1.10.2010 bis 31.12.2021 wurden Rektumkarzinompatienten mit cT3-4-Läsion eingeschlossen. Sammeln Sie qualitativ hochwertige CT-Bilder mit DICOM-Dateien im Tumorsegment. cT1-2, niedrige rektale Läsionen, Nicht-CRC-Fälle wurden nicht eingeschlossen. Bilder ohne Kontrastmittel und künstliche Defekte wurden ebenfalls ausgeschlossen. CT-Bilder wurden als „erkrankt“ gekennzeichnet, wenn CRM bedroht war (< 2 mm). Alle Bilder wurden nach Ermessen von 2 Spezialisten beschriftet. Die Daten wurden in 2 Teile getrennt. Eine für das Training und Testen von KI-Modellen, eine andere für die externe Validierung. Der Trainingstest-Datensatz wurde durch tiefes Lernen eines neuronalen Netzwerks und die Bewertung der Modellgenauigkeitsleistung erreicht. Dann wurde das Modell in einem externen Validierungsdatensatz für reale Tests angewendet, um die kohärente Rate zwischen KI und der Dr.-Entscheidung zu bewerten. Darüber hinaus, um die Überlebensergebnisse von Krebs gemäß den Vorhersageergebnissen des KI-Modells zu sehen.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

720

Kontakte und Standorte

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

Studienorte

  • Taiwan
      • Taichung, Taiwan
        • Taichung Verterans General Hospital

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

20 Jahre bis 100 Jahre (ERWACHSENE, OLDER_ADULT)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Rektalkrebs, der zwischen 2010.10.1-2022.7.31 diagnostiziert wurde. klinische T3-4-Läsion. mit hochwertigen CT-Bildern mit Kontrast.

Beschreibung

Einschlusskriterien:

  • klinisches Staging T3-4 mit hochwertigen CT-Bildern.

Ausschlusskriterien:

  • 1. nicht primäre maligne Läsion
  • 2. Rektum nicht lokalisierend
  • 3. T1-2-Läsion
  • 4. Bilder ohne Kontrast oder schlechte Qualität

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
Bilder von Rektumkrebsläsionen für das Training
Bilder von rektalen Krebsläsionen. Bilder mit einem bedrohten (< 2 mm) Umfangsrand von Rektumkarzinom wurden als „erkrankt“ gekennzeichnet. Andernfalls wurden Bilder als "normal" gekennzeichnet. Verwendung dieser Materialien als Schulungsmaterialien für den Aufbau von KI-Deep-Learning-Modellen.
Sonstiges: Als Trainingsmaterial für Deep-Learning-Modell.
Verwendung gekennzeichneter Bilder als Schulungsmaterial für künstliche Intelligenz zur Entwicklung eines Objekterkennungsmodells.
Bilder von Rektumkrebsläsionen zum Testen.
Verwendung der aufgebauten KI-Deep-Learning-Modelle aus der Trainingskohorte. Bewertung der Vorhersagerate des Modells und Analyse der Überlebensergebnisse.
Sonstiges: Als Materialien zur externen Validierung für das Aufbaumodell.
Verwenden des externen Validierungssets zur Bewertung der Vorhersagerate und des Überlebensergebnisses.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der künstlichen Intelligenz mit erfahrenem Arzt
Zeitfenster: 1 Woche nach Bildern fertig.
Genauigkeit zwischen künstlicher Intelligenz und erfahrenem Arzt
1 Woche nach Bildern fertig.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Überlebensergebnis der Diagnose durch künstliche Intelligenz im wirklichen Leben.
Zeitfenster: 5 Jahre nach der Diagnose
Überlebensergebnis im wirklichen Leben durch künstliche Intelligenz.
5 Jahre nach der Diagnose

Mitarbeiter und Ermittler

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

Sponsor

Taichung Veterans General Hospital

Ermittler

  • Hauptermittler: ChunuYu Lin, M.D., Taichung Veterans General 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. Oktober 2010

Primärer Abschluss (TATSÄCHLICH)

31. Juli 2022

Studienabschluss (TATSÄCHLICH)

31. Dezember 2022

Studienanmeldedaten

Zuerst eingereicht

5. Januar 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

9. Februar 2023

Zuerst gepostet (TATSÄCHLICH)

13. Februar 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (TATSÄCHLICH)

13. Februar 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

9. Februar 2023

Zuletzt verifiziert

1. Februar 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • CE21235B

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 .

Klinische Studien zur Als Trainingsmaterial für Deep-Learning-Modell.

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Malta

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren