Vorhersage einer signifikanten Leberfibrose (PSLF)
16. Juli 2024 aktualisiert von: Huang Haijun
Multimodale digitale Bildfusionstechnologie basierend auf Deep Learning zur Vorhersage signifikanter Leberfibrose und ihre Anwendung in der multizentrischen Forschung
Die auf dem Convolutional Neural Network (CNN) basierende Deep-Learning-Methode wurde verwendet, um die relevanten Merkmale der Leberfibrose-Klassifizierung aus den multimodalen Informationen digitaler pathologischer Schnitte, klinischer Parameter und Biomarker einer großen Anzahl bestehender Leberpunktionsfälle zu extrahieren Die U-Net-Architektur von CNN wurde verwendet, um die Merkmale klinisch-medizinischer Bilder zu segmentieren und zu extrahieren.
Studienübersicht
Detaillierte Beschreibung
Patienten mit chronischer Hepatitis B wurden einer B-Ultraschall-gesteuerten Leberbiopsie unterzogen und in die Gruppe mit leichter Leberfibrose (Fibrosegrad 0–1, S1), die Gruppe mit schwerer Leberfibrose (Fibrosegrad 2, S2), die Gruppe mit fortgeschrittener Leberfibrose und die Gruppe mit früher Leberfibrose eingeteilt Zirrhosegruppe (Fibrosegrad 3-4, S3-4) gemäß den pathologischen Ergebnissen. In dieser Studie wurden von 2018 bis 2022 200 Patienten mit unterschiedlichem Grad der Leberfibrose und 200 normale Freiwillige sowie ihre klinischen biochemischen Daten und Bildgebungsdaten gesammelt und periphere Blutproben wurden gesammelt. Die pathologischen Mikroumgebungsmerkmale, Bildgebungsmerkmale, klinischen Parametermerkmale und andere Daten von Patienten wurden extrahiert und die Destillationslernmethode basierend auf einem Lehrer-Schüler-Modell wurde übernommen, um eine multimodale Big-Data-Analyse zu entwickeln und zu erstellen Modell zur genauen Einstufung von Leberfibrose, um ein nicht-invasives, intelligentes Einstufungsdiagnosesystem für Leberfibrose zu schaffen.
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
700
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Haijun Huang
- Telefonnummer: 13758186635
- E-Mail: huanghaijun0826@163.com
Studienorte
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310014
- Rekrutierung
- Haijun Huang
-
Kontakt:
- Haijun Huang
- Telefonnummer: 13758186635
- E-Mail: huanghaijun0826@163.com
-
-
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
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Ein Patient mit chronischer Hepatitis-B-Leberfibrose, bestätigt durch Leberbiopsie
Beschreibung
Einschlusskriterien:
- Alter von 18-60 Jahren
- Die Diagnose einer chronischen Hepatitis B steht im Einklang mit den Diagnosekriterien der chinesischen Richtlinien zur Prävention und Behandlung chronischer Hepatitis B aus dem Jahr 2019, und die Diagnose einer nichtalkoholischen Fettleber steht im Einklang mit den Richtlinien der Asian Pacific Hepatology Association
- Die Bildgebung zeigte keinen Leberkrebs
Ausschlusskriterien:
- Es gibt Kontraindikationen für eine Leberbiopsie
- Die Leberpathologie erfüllte nicht die Kriterien
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 |
|---|
|
leichte Fibrose
S0-1
|
|
erhebliche Leberfibrose
S2
|
|
Fortgeschrittene Leberfibrose
S3-4
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Modellentwicklung
Zeitfenster: 2024.6-2024.12
|
Bildgebende Merkmale (z. B. CT-Scan, MRT, Röntgen usw.) und klinische Parameter von Patienten wurden extrahiert, einschließlich Grundlinienmerkmalen der Bevölkerung (z. B. Alter, Geschlecht, Komorbiditäten usw.) und biochemischer Blutindikatoren (z. B. Blutzucker). , Lipide, Leberfunktionsindikatoren usw.) und zytologische Blutindikatoren (z. B. Anzahl weißer Blutkörperchen, Anzahl roter Blutkörperchen usw.).
Abgeschlossene Fallauswahl und Kohortenbildung, multimodale Merkmalsextraktion und Modellentwicklung
|
2024.6-2024.12
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erstellen Sie ein multimodales Big-Data-Cloud-Plattformsystem zur Frühwarnung von Leberfibrose
Zeitfenster: 2025.1-2025.12
|
Wir beabsichtigen, eine Cloud-Plattform mit Datenspeicher-, Verarbeitungs- und Analysekomponenten zu entwerfen. Wählen Sie den geeigneten Technologie-Stack aus, um sicherzustellen, dass die Plattform in der Lage ist, große Datenmengen zu verarbeiten und über eine gute Skalierbarkeit und Leistung verfügt. Die zuvor erstellte multimodale Leberfibrose-Präzision Anschließend wurde das Typisierungsmodell in die Plattform eingebettet, um sicherzustellen, dass das Modell eine Vielzahl von Datentypen verarbeiten und nahtlos in andere Komponenten der Plattform integrieren kann. Gleichzeitig wird die Stream-Verarbeitungstechnologie verwendet, um die Echtzeitüberwachung und -analyse zu integrieren Funktion der Plattform, um eine schnelle Vorhersage und Klassifizierung der neu erfassten Leberfibrose-Falldaten zu ermöglichen. Die Genauigkeit und Stabilität des Modells wurde anhand der multizentrischen klinischen Daten und der multimodalen Big-Data-Leberfibrose-Früherkennung weiter überprüft Warnung Cloud-Plattform-System wurde erstellt
|
2025.1-2025.12
|
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewertung der Wirksamkeit des multimodalen Big-Data-Leberfibrose-Warnplattformsystems
Zeitfenster: 2026.1-2026.12
|
Testen der Wirksamkeit des multimodalen Big-Data-Leberfibrose-Warnplattformsystems in einer echten multizentrischen klinischen Umgebung.
Wir werden auch die Möglichkeit prüfen, die Plattform für die langfristige Nachbeobachtung von Patienten, Ferntests von Patienten und die regelmäßige Beurteilung des Krankheitsverlaufs zu nutzen
|
2026.1-2026.12
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Mitarbeiter
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 (Geschätzt)
20. Juli 2024
Primärer Abschluss (Geschätzt)
31. Dezember 2024
Studienabschluss (Geschätzt)
31. Dezember 2026
Studienanmeldedaten
Zuerst eingereicht
10. Juli 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
16. Juli 2024
Zuerst gepostet (Tatsächlich)
19. Juli 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
19. Juli 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. Juli 2024
Zuletzt verifiziert
1. Juli 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- KY2024072
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
UNENTSCHIEDEN
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 .