Der Anwendungswert von Deep-Learning-basierten Nomogrammen bei der gutartigen-bösartigen Unterscheidung von Schilddrüsenknoten der TI-RADS-Kategorie 4
5. Februar 2024 aktualisiert von: Ma Zhe
Diese retrospektive Studie konzentriert sich auf die gutartige und bösartige Klassifizierung von Schilddrüsenknoten mithilfe von Deep-Learning-Techniken und bewertet den Wert von Deep-Learning-basierten Nomogrammen bei der Klassifizierung von Schilddrüsenknoten der TI-RADS-Kategorie 4, um die Genauigkeit der gutartigen und bösartigen Identifizierung der TI-RADS-Kategorie zu verbessern 4 Schilddrüsenknoten.
Materialien und Methoden: Es wurden Patienten gesammelt, die das First Affiliated Hospital der Shandong First Medical University und das Shandong Provincial Qianfoshan Hospital besuchten. Ihre allgemeinen klinischen Merkmale, Informationen zur präoperativen Ultraschalldiagnose und postoperative pathologische Daten wurden überprüft.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
500
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Shandong
-
Jinan, Shandong, China
- QianfoshanH
-
-
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
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Die Studie sammelte Daten zu insgesamt 500 Schilddrüsenknoten der TI-RADS-Kategorie 4 von 500 Patienten, die von April 2022 bis November 2023 das First Affiliated Hospital der Shandong First Medical University besuchten.
Beschreibung
Einschlusskriterien:
- Ultraschallbestätigte Diagnose von Schilddrüsenknoten der TI-RADS-Kategorie 4.
- Verfügbarkeit pathologischer Ergebnisse.
Ausschlusskriterien:
- Fehlende pathologische Diagnose.
- Vorgeschichte von Schilddrüsenoperationen oder anderen Behandlungen.
- Schlechte Qualität der Ultraschallbilder von Schilddrüsenknoten.
- Unvollständige klinische und bildgebende Daten des Patienten.
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 |
|---|
|
bösartig
Schilddrüsenknoten mit chirurgischen oder durch Punktionsbiopsie bestätigten pathologischen Befunden einer Malignität in der TI-RADS4-Kategorie
|
|
gutartig
Schilddrüsenknoten mit chirurgischen oder durch Punktionsbiopsie bestätigten pathologischen Befunden der gutartigen TI-RADS4-Kategorie
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Deep-Learning-Vorhersagemodell (YOLOv3) und Modellbewertung
Zeitfenster: Unmittelbar nach der Erstellung des Vorhersagemodells ausgewertet
|
Basierend auf den Merkmalen gutartiger und bösartiger Schilddrüsenknoten wurde der Datensatz mithilfe der Kreuzvalidierungsmethode in einen Trainingssatz und einen Testsatz unterteilt und das YOLOv3-Modell mithilfe der Daten aus dem Trainingssatz trainiert und die Leistung des Modells ermittelt Ausgewertet anhand von Daten aus dem Testsatz. Das Modell wird anhand einer Reihe von Metriken ausgewertet, beispielsweise: Präzisions-Erinnerungskurve, effektive Klassifizierungsgenauigkeit, Verwirrungsmatrix und Fläche unter der Kurve.
|
Unmittelbar nach der Erstellung des Vorhersagemodells ausgewertet
|
|
Nomogrammvorhersage und -bewertung
Zeitfenster: Unmittelbar nach der Erstellung des Nomogramms ausgewertet
|
Berücksichtigung klinischer Merkmale, Ultraschallbewertung und Modellvorhersagen zur Abbildung von Nomogrammen mithilfe der R-Sprache. Bewertung des Nomogramms mithilfe verschiedener Metriken, einschließlich Betriebskennlinien des Probanden, Kalibrierungskurven und Entscheidungskurvenanalyse
|
Unmittelbar nach der Erstellung des Nomogramms ausgewertet
|
|
Auswahl klinischer Merkmale und Beurteilung
Zeitfenster: Nachdem der Datensatz erfasst und pathologische Ergebnisse erhalten wurden, werden die erhaltenen statistischen Ergebnisse auf klinische Faktoren analysiert, was im Durchschnitt etwa ein Jahr dauert.
|
Für den Datensatz wählten die Forscher Patienten mit Schilddrüsenknoten der TI-RADS-Kategorie 4 innerhalb eines Jahres aus.
Die Forscher analysierten die klinischen Faktoren im Datensatz und analysierten die Bedeutung dieser klinischen Faktoren für die statistischen Ergebnisse und klinischen Merkmale mithilfe des Wilcoxon-Rangsummentests bei zwei Stichproben oder des Chi-Quadrat-Tests.
|
Nachdem der Datensatz erfasst und pathologische Ergebnisse erhalten wurden, werden die erhaltenen statistischen Ergebnisse auf klinische Faktoren analysiert, was im Durchschnitt etwa ein Jahr dauert.
|
|
Auswirkungen und Bewertung der Ultraschallbewertung
Zeitfenster: Die abgestuften Ergebnisse der Ultraschalluntersuchung wurden analysiert, nachdem die Datensatzerfassung abgeschlossen war, die Ultraschalluntersuchung abgeschlossen war und die endgültigen pathologischen Ergebnisse vorliegen, im Durchschnitt etwa 1 Jahr.
|
Für den Datensatz wählten die Forscher Patienten mit Schilddrüsenknoten der TI-RADS-Kategorie 4 innerhalb eines Jahres aus.
Die Forscher analysierten die Ergebnisse der Einstufung von Knötchen der TI-RADS-Kategorie 4 in diesem Datensatz und ermittelten die Bedeutung der Ultraschalleinstufung für die statistischen Ergebnisse mithilfe des Chi-Quadrat-Tests.
|
Die abgestuften Ergebnisse der Ultraschalluntersuchung wurden analysiert, nachdem die Datensatzerfassung abgeschlossen war, die Ultraschalluntersuchung abgeschlossen war und die endgültigen pathologischen Ergebnisse vorliegen, im Durchschnitt etwa 1 Jahr.
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
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. April 2022
Primärer Abschluss (Tatsächlich)
30. November 2023
Studienabschluss (Tatsächlich)
30. November 2023
Studienanmeldedaten
Zuerst eingereicht
4. Januar 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
5. Februar 2024
Zuerst gepostet (Tatsächlich)
14. Februar 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
14. Februar 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
5. Februar 2024
Zuletzt verifiziert
1. Februar 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- YXLL-KY-2023(133)
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 .