Entwicklung eines MRT-basierten Deep-Learning-Modells zur Vorhersage des MMR-Status
Entwicklung eines MRT-basierten Deep-Learning-Modells zur Vorhersage des MMR-Status des Endometriumkarzinoms
Um eine praktische, kostengünstige und umfassende Methode zur präoperativen Vorhersage von dMMR zu entwickeln und die Anzahl der Personen zu reduzieren, die nach der Operation dMMR-bezogene immunhistochemische oder genetische Tests benötigen, zielt diese Studie darauf ab, ein auf MRT basierendes Deep-Learning-Modell zur Vorhersage des MMR-Status zu etablieren von Endometriumkarzinom. Patienten, bei denen nach der Operation Endometriumkarzinom diagnostiziert wurde und die vor der Operation eine MRT des Beckens durchgeführt hatten, wurden gesammelt. Deep Learning wurde verwendet, um das klinische Modell mit MR-Bilddaten zu kombinieren, um das Modell zu erstellen. ROC-Kurven wurden für die Testgruppe, die interne Verifizierungsgruppe und die externe Verifizierungsgruppe erstellt, und die Fläche unter den ROC-Kurven wurde berechnet, um den diagnostischen Effekt und die Stabilität des Modells zu bewerten.
Die Triage-Strategie mit zwei Schwellenwerten wurde verwendet, um die pMMR-Population (unterhalb der unteren Schwelle), die dMMR-Population (über der oberen Schwelle) und den unsicheren Teil der Population (zwischen den Schwellen) herauszufiltern.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
In dieser Studie wurden von 2017 bis 2022 Patientinnen gesammelt, bei denen nach der Operation Endometriumkarzinom diagnostiziert wurde und die vor der Operation eine MRT des Beckens abgeschlossen hatten. Es wird erwartet, dass in unserem Krankenhaus 500 Fälle gesammelt werden, die in 375 Fälle (Experimentalgruppe) und 125 Fälle (interne Verifizierungsgruppe) unterteilt sind.
100 Fälle von Sun Yat-sen University Cancer Center zur externen Überprüfung. Klinische Daten (Alter, Geschlecht, BMI, CA125, CA19-9, MR-T-Staging, immunhistochemische Ergebnisse von MMR-bezogenen Proteinen) der Studienpopulation wurden gesammelt und eine logistische Regressionsanalyse durchgeführt, um klinische Modelle zu etablieren. Extrahieren, Segmentieren, Integrieren und Verbessern von MR-Bilddaten.
Deep Learning wurde verwendet, um das klinische Modell mit MR-Bilddaten zu kombinieren, um das Modell zu erstellen. ROC-Kurven wurden für die Testgruppe, die interne Verifizierungsgruppe und die externe Verifizierungsgruppe erstellt, und die Fläche unter den ROC-Kurven wurde berechnet, um den diagnostischen Effekt und die Stabilität des Modells zu bewerten.
Die Triage-Strategie mit zwei Schwellenwerten wurde verwendet, um die pMMR-Population (unterhalb der unteren Schwelle), die dMMR-Population (über der oberen Schwelle) und den unsicheren Teil der Population (zwischen den Schwellen) herauszufiltern. Wenn der prädiktive Score über dem unteren Schwellenwert liegt, wird dem Patienten empfohlen, sich weiteren immunhistochemischen oder genetischen Tests zu unterziehen, um den MMR-Status oder den dMMR-Typ zu bestätigen
Studientyp
Einschreibung (Voraussichtlich)
Kontakte und Standorte
Studienkontakt
- Name: Jing Li
- Telefonnummer: 15915893493
- E-Mail: lijing228@mail.sysu.edu.cn
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patientinnen, bei denen nach der Operation Endometriumkarzinom diagnostiziert wurde und die vor der Operation von 2017 bis 2022 eine Becken-MRT durchgeführt hatten
Ausschlusskriterien:
- (1) Es gab kein immunhistochemisches Nachweisergebnis von MMR-verwandtem Protein; (2) Strahlentherapie und Chemotherapie vor MRT; (3) kleine Tumore, die auf dem Bild schwer zu identifizieren sind (< 5 mm); (4) Die T2-gewichtete Bildqualität reicht nicht aus, um den ROI darzustellen, z. B. offensichtliche Bewegungsartefakte; (5) Es gibt andere gynäkologische Malignome
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Testgruppe
375 Patienten unseres Krankenhauses, zufällig aufgeteilt.
|
500 Patienten unseres Krankenhauses wurden nach dem Zufallsprinzip in die Testgruppe und die interne Validierungsgruppe eingeteilt, und 100 Patienten im Kooperationskrankenhaus waren die externe Validierungsgruppe.
|
|
Interne Validierungsgruppe
125 Patienten unseres Krankenhauses, zufällig aufgeteilt.
|
500 Patienten unseres Krankenhauses wurden nach dem Zufallsprinzip in die Testgruppe und die interne Validierungsgruppe eingeteilt, und 100 Patienten im Kooperationskrankenhaus waren die externe Validierungsgruppe.
|
|
Externe Validierungsgruppe
100 Patienten des Sun Yat-sen University Cancer Center
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter Empfänger-Betriebskennlinie (AUROC)
Zeitfenster: ein Jahr
|
Die Fläche unter der Receiver Operating Characteristic Curve (AUROC) wurde verwendet, um die Leistung der Modelle zu bewerten
|
ein Jahr
|
Mitarbeiter und Ermittler
Mitarbeiter
Ermittler
- Hauptermittler: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Voraussichtlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- SYSKY-2023-084-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
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 .