Multimodales Deep-Learning-Modell sagt Prognose für Bauchspeicheldrüsenkrebs voraus
5. Januar 2026 aktualisiert von: Second Affiliated Hospital, School of Medicine, Zhejiang University
Vorhersage der Prognose von Bauchspeicheldrüsenkrebs mithilfe eines multimodalen Deep-Learning-Modells basierend auf einer intratumoralen Immunmikroumgebung
Diese Studie beschreibt die Entwicklung und Validierung eines Deep-Learning-Vorhersagemodells, das Deep-Learning-Funktionen aus präoperativen erweiterten CT-Scans extrahiert und postoperative pathologische Proben von Patienten mit Bauchspeicheldrüsenkrebs analysiert.
Ziel ist es, die Prognose des Patienten und das Ansprechen auf eine Chemotherapie vorherzusagen.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Diese Studie sammelte retrospektiv erweiterte CT-Scandaten, pathologische Paraffinblockaden und klinische Daten von Patienten mit Bauchspeicheldrüsenkrebs, die sich zwischen März 2013 und Mai 2024 an mehreren Zentren einer Operation unterzogen hatten.
Die pathologischen Paraffinblöcke wurden mittels Immunhistochemie als prognostische Immun-Mikroumgebungsmarker gefärbt und die Patienten wurden auf der Grundlage dieser Ergebnisse klassifiziert.
Anschließend wurden Deep-Learning-Merkmale aus verbesserten CT-Scans extrahiert und ein multimodales Vorhersagemodell unter Verwendung von Bildgebungsmerkmalen und klinischen Informationen erstellt.
Die Leistung des Modells wurde anhand von Metriken wie der Fläche unter der Receiver Operating Characteristic Curve (AUC), Genauigkeit, Sensitivität und Spezifität bewertet.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
247
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310009
- The Second Affiliated Hospital Zhejiang University School of Medicine
-
-
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
Patienten mit Bauchspeicheldrüsenkrebs, die sich einer Operation unterzogen und nach der Operation eine adjuvante Chemotherapie erhielten.
Beschreibung
Einschlusskriterien:
- Patienten mit Bauchspeicheldrüsenkrebs, diagnostiziert durch Pathologie,
- Die Patienten wurden operiert und erhielten nach der Operation eine adjuvante Chemotherapie.
Ausschlusskriterien:
- Fehlende oder unzureichende Qualität der CT,
- Unvollständige klinisch-pathologische Daten.
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 |
|---|---|
|
Ausbildungskohorte
Patienten mit der Diagnose Bauchspeicheldrüsenkrebs, die sich einer Operation und anderen Behandlungen im Second Affiliated Hospital der Zhejiang University School of Medicine unterzogen haben
|
Die Hochdurchsatzextraktion quantitativer Bildmerkmale aus medizinischen Bildern
Immunhistochemische Analyse
|
|
Testkohorte
Patienten mit der Diagnose Bauchspeicheldrüsenkrebs, die sich einer Operation und anderen Behandlungen im Fourth Affiliated Hospital, der Zhejiang University School of Medicine und dem Hangzhou Hospital of Traditional Chinese Medicine unterzogen haben
|
Die Hochdurchsatzextraktion quantitativer Bildmerkmale aus medizinischen Bildern
Immunhistochemische Analyse
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Leistung des Deep-Learning-Modells
Zeitfenster: Grundbehandlung
|
Die Leistung des Modells wurde anhand von Metriken wie der Fläche unter der Receiver Operating Characteristic Curve (AUC), Genauigkeit, Sensitivität und Spezifität bewertet.
|
Grundbehandlung
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Mitarbeiter
Ermittler
- Hauptermittler: Yulian Wu, PhD., Second Affiliated Hospital of Zhejiang University School of Medicine
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
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)
5. Juli 2024
Primärer Abschluss (Tatsächlich)
15. Dezember 2024
Studienabschluss (Tatsächlich)
3. Januar 2026
Studienanmeldedaten
Zuerst eingereicht
29. Dezember 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
29. Dezember 2024
Zuerst gepostet (Tatsächlich)
6. Januar 2025
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
7. Januar 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
5. Januar 2026
Zuletzt verifiziert
1. Juli 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- PCPAI
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .