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

Raman Specroscopy-basiertes Deep-Learning

19. April 2025 aktualisiert von: Second Affiliated Hospital, School of Medicine, Zhejiang University

Eine neuartige Raman-Spektroskopie-basierte Methode für die frühe Diagnose von Pan-Cancers, die durch Deep Learning unterstützt wurde: eine prospektive Einzelarm-, multizentrische Studie

Das Ziel dieser Beobachtungsstudie ist es zu untersuchen, ob ein Raman-basierter, tief lernunterstützter Ansatz verwendet werden kann, um eine wirksame Methode für das Früherkundungs-Cancer-Screening zu entwickeln. Die Studie umfasst sowohl gesunde Personen als auch Patienten, bei denen Krebsrisiko ausgesetzt ist, und Patienten mit diagnostizierten Krebsarten. Die Hauptfrage, die sie beantworten soll, ist:

  • Bewerten Sie die Genauigkeit und Spezifität des tiefgreifenden Modells zur Identifizierung der krebsspezifischen Merkmale in Raman-Spektraldaten und ob diese Methode Patienten basierend auf dem Risiko genau klassifizieren kann.
  • Bestimmen Sie, welches Modell für das Raman -Spektrum anpassungsfähiger ist
  • Geben Sie die interpretierbare Analyse für die modellgenerierten Diagnose-Teilnehmer bereits diagnostiziert und nachuntersucht, um die Art des Krebses zu bestimmen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Diese Studie zielt darauf ab, die Verwendung von Deep -Learning -Modellen für die Klassifizierung von Patienten auf der Grundlage der Raman -Spektroskopieanalyse von Blutserumproben zu untersuchen und zwischen Individuen unter physiologischen Bedingungen und Patienten mit verschiedenen Arten von malignen Tumoren zu unterscheiden. Die Studie wird durch eine multizentrische Zusammenarbeit durchgeführt, in der sowohl von gesunden Teilnehmern als auch von Patienten, deren histopathologische Diagnose unter Präanzersen und primären malignen Tumoren, Blutproben entnommen werden.

Alle Blutproben werden aus den routinemäßigen klinischen Blutuntersuchungen der Patienten während des Krankenhauseintritts oder anderer notwendiger medizinischer Bewertungen gesammelt. Serum wird extrahiert und einer Raman -Spektroskopieanalyse unterzogen. Die Spektraldaten werden einer strengen Vorverarbeitungspipeline unterzogen, die eine Ausrichtungsresampling umfasst, um die Daten zu standardisieren, die Grundlinienentfernung zu beseitigen, um unerwünschte Variationen zu beseitigen, und die Normalisierung, um eine Gleichmäßigkeit aller Proben zu gewährleisten. Sicherstellen, dass die Daten eine optimale Form für das Deep -Learning -Modelltraining erfolgen.

Anschließend werden verschiedene Deep-Learning-Modelle verwendet, um die verarbeiteten Raman-Spektren zu analysieren und ein Klassifizierungssystem zu entwickeln, das zwischen Pan-Krebs und gesunden Kontrollen unterscheidet. Der vorverarbeitete Datensatz wurde in drei Teilmengen für Modelltrainings und Leistungsbewertung unterteilt: 80% für das Training, 10% zur Validierung und 10% für das Testen. Datensätze werden auf Modelltraining angewendet, um Identifizierungsmuster in den Spektraldaten zu erreichen, die mit dem Vorhandensein spezifischer Krebsarten oder eines gesunden Zustands korrelieren, um eine klassifizierte Diagnose zu erreichen.

Um die Interpretierbarkeit der Deep-Learning-Modelle zu verbessern, wird Grad-CAM (Gradienten-gewichtete Klassenaktivierungszuordnung) verwendet, um den Entscheidungsprozess der Modelle zu visualisieren. Ermöglichen der Identifizierung der Raman -Spektrenregionen, die in der Klassifizierungsentscheidung des Modells einflussreicher sind und ein transparentes Verständnis dafür liefern, wie das Modell zwischen den verschiedenen Klassen unterscheidet.

Letztendlich zielt diese Studie darauf ab, das Potenzial der Raman-Spektroskopie in Kombination mit Deep-Lern-Techniken zu demonstrieren, um eine nicht-invasive, genaue und interpretierbare Methode zur Erkennung und Klassifizierung von Krebs zu bieten, mit Auswirkungen auf eine frühzeitige Diagnose und personalisierte Behandlungsstrategien.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

600

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • China
    • Jiangxi
      • Nanchang, Jiangxi, China, 330006
        • Rekrutierung
        • The First Affiliated Hospital to Nanchang University
        • Kontakt:
      • Nanchang, Jiangxi, China, 330008
        • Rekrutierung
        • The Second Affiliated Hospital to Nanchang University
        • Kontakt:
    • Shanghai
      • Shanghai, Shanghai, China, 200040
        • Rekrutierung
        • Huashan Hospital Affiliated to Fudan University
        • Kontakt:
    • Zhejiang
      • Hangzhou, Zhejiang, China, 310009
        • Rekrutierung
        • The Second Affiliated Hospital of Zhejiang University School of Medicine
        • Kontakt:

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Pan-Krebspatienten aus Zhejiang, Jiangxi und Provinz Shanghai

Beschreibung

Einschlusskriterien:

  • Histopathologische Diagnose von malignen Tumoren, einschließlich Darmkrebs, Magenkrebs, Leberkrebs, Bauchspeicheldrüsenkrebs und Speiseröhrenkrebs.
  • Patienten unter normalen physiologischen Erkrankungen ohne bösartige Tumoren oder präkanzeröse Läsionen.
  • Patienten mit bösartigem Tumor, ohne Interventionen zu erhalten, einschließlich Chemotherapie, Operation, Strahlentherapie, Immuntherapie oder anderen Antitumor-Behandlungen.
  • Patienten mit histopathologischer Diagnose jeglicher Präkanzerosenläsionen oder nicht-malignen Erkrankungen.

Ausschlusskriterien:

  • Patienten mit Metastasierungstumoren oder im Zustand von zwei oder mehr Arten von malignen Tumoren gleichzeitig
  • Patienten mit der Behandlung nach Krebs.

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
Normale Physiologie
Patienten ohne Krebserkrankungen oder Vorkernläsion
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Darmkrebs
Patienten, bei denen Darmkrebs diagnostiziert wurde (Vorintervention)
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Magenkrebs
Patienten, bei denen Magenkrebs diagnostiziert wurde (Vorintervention)
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Leberkrebs
Patienten, bei denen Leberkrebs diagnostiziert wurde (Vorintervention)
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Ösophagus
Patienten, bei denen Ösophaguskrebs diagnostiziert wurde (Vorintervention)
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Bauchspeicheldrüsenkrebs
Patienten, bei denen Bauchspeicheldrüsenkrebs diagnostiziert wurde (Vorintervention)
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Magengeschwür
Patienten mit Magengeschwüren ohne Krebs
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Kolorektales Adenom
Patienten mit kolorektalem Adenom ohne Krebs
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Leberzirrhose
Patienten mit Leberzirrhose ohne Krebs
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Pankreatitis
Patienten mit Pankreatitis ohne Krebs
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.
Ösophagitis
Patienten mit Ösophagitis ohne Krebs
Sonstiges: Keine Interventionen
Alle Blutproben von teilnehmenden Patienten wurden aus routinemäßigen klinischen Blutuntersuchungen erhalten, die während der Krankenhauseingabe oder anderer notwendiger medizinischer Bewertungen durchgeführt wurden, gefolgt von der Serumextraktion.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Ein Deep-Learning-Modell für die Klassifizierung mit Pan-Cancer-Pan-Krebs mit hoher Genauigkeit
Zeitfenster: Von der Patientenaufnahme bis zum Abschluss der Modellkonstruktion, die voraussichtlich innerhalb von zwei Monaten nach der Datenerfassung abgeschlossen sein wird.
Erstellen Sie Deep-Learning-Modelle mit hoher Spezifität und Empfindlichkeit für die Klassifizierung von Pan-Krebs, in der sie verschiedene Pan-Krebs-Typen unterscheiden können (unterscheiden zwischen Patienten unter physiologischen Bedingungen, präkanzerösen Läsion und malignen Tumor) basierend auf Raman-Spektroskopie.
Von der Patientenaufnahme bis zum Abschluss der Modellkonstruktion, die voraussichtlich innerhalb von zwei Monaten nach der Datenerfassung abgeschlossen sein wird.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Raman -Verschiebungseigenschaften für die Interpretation und Visualisierung von Modellentscheidungen
Zeitfenster: Vom Ende der Modellkonstruktion bis zum Ende der modellinterpretierbaren Analyse - erwartet 2 Monate nach der Modellkonstruktion erwartet
Durchführung einer interpretierbaren Analyse der Diagnose, die aus dem primären Ergebnis mit Grad-CAM abgeleitet wurde, um den Entscheidungsprozess des Modells zu visualisieren und zu veranschaulichen.
Vom Ende der Modellkonstruktion bis zum Ende der modellinterpretierbaren Analyse - erwartet 2 Monate nach der Modellkonstruktion erwartet

Mitarbeiter und Ermittler

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

Sponsor

Second Affiliated Hospital, School of Medicine, Zhejiang University

Mitarbeiter

The First Affiliated Hospital of Nanchang University
Huashan Hospital
Second Affiliated Hospital of Nanchang University

Ermittler

  • Studienstuhl: Kefeng Ding, MD, Department of Colorectal Surgery, The Second Hospital of Zhejiang University School of Medicine

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. September 2022

Primärer Abschluss (Geschätzt)

15. Mai 2025

Studienabschluss (Geschätzt)

28. Juli 2025

Studienanmeldedaten

Zuerst eingereicht

5. Februar 2025

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

5. Februar 2025

Zuerst gepostet (Tatsächlich)

12. Februar 2025

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

24. April 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

19. April 2025

Zuletzt verifiziert

1. Januar 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2024-1060

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 .

Abonnieren