Modelo de Predicción de CP-EBUS en el Diagnóstico de Ganglios Linfáticos
31 de marzo de 2020 actualizado por: Jiayuan Sun, Shanghai Chest Hospital
Modelo de Predicción Basado en Aprendizaje Profundo de Imagen Multimodal CP-EBUS en el Diagnóstico de Ganglios Linfáticos Benignos y Malignos
La imagen multimodal de ultrasonido endobronquial (EBUS), que incluye escala de grises, doppler de flujo sanguíneo y elastografía, se puede utilizar como diagnóstico no invasivo y complementar el resultado patológico, lo que tiene un importante valor de aplicación clínica.
En este estudio, se construirá una base de datos de imágenes multimodales EBUS de 1000 ganglios linfáticos (LN) intorácicos benignos y malignos para entrenar redes neuronales de aprendizaje profundo, que pueden seleccionar automáticamente imágenes representativas y diagnosticar LN.
Los investigadores establecerán un modelo de predicción de inteligencia artificial basado en el aprendizaje profundo de los LN intratorácicos y verificarán el modelo en otros 300 LN.
Descripción general del estudio
Estado
Desconocido
Condiciones
Descripción detallada
El agrandamiento de los LN intratorácicos tiene una amplia gama de enfermedades, entre las cuales la metástasis de los LN intratorácicos del cáncer de pulmón es la enfermedad maligna más común. Las lesiones benignas, como la inflamación, la tuberculosis y la sarcoidosis, también deben diferenciarse para un tratamiento específico.
La imagen multimodal EBUS, que incluye escala de grises, doppler de flujo sanguíneo y elastografía, se puede utilizar como diagnóstico no invasivo y complementar el resultado patológico, lo que tiene un importante valor de aplicación clínica. Este estudio incluye dos partes: la construcción retrospectiva del modelo de predicción de inteligencia artificial EBUS y la validación prospectiva multicéntrica del modelo de predicción. Se inscribirá un total de 1300 LN en el estudio.
Durante la retención de videos, los LN objetivo y los vasos periféricos se examinan utilizando hosts de ultrasonido (EU-ME2, Olympus o Hi-vision Avius, Hitachi) equipados con funciones de elastografía y doppler y broncoscopia de ultrasonido (BF-UC260FW, Olympus o EB1970UK, Pentax) . Se recopilan datos de imágenes multimodales de los LN de destino.
Los investigadores construirán un modelo de predicción de inteligencia artificial basado en el aprendizaje profundo utilizando imágenes de 1000 LN en primer lugar y verificarán el modelo en otros 300 LN. Este modelo se comparará con los métodos tradicionales de evaluación cualitativa y cuantitativa para verificar la eficacia diagnóstica.
Tipo de estudio
De observación
Inscripción (Anticipado)
1300
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Shanghai
-
Shanghai, Shanghai, Porcelana, 200030
- Reclutamiento
- Shanghai Chest Hospital
-
Contacto:
- Jiayuan Sun, PhD
- Número de teléfono: 1511 86-21-22200000
- Correo electrónico: jysun1976@163.com
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
18 años y mayores (Adulto, Adulto Mayor)
Acepta Voluntarios Saludables
N/A
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra no probabilística
Población de estudio
Los pacientes con LN intratorácicos agrandados que necesitan ser diagnosticados por EBUS-TBNA se inscriben en este estudio.
Descripción
Criterios de inclusión:
- La TC de tórax muestra GL intratorácicos agrandados (diámetro corto > 1 cm) o la PET/TC muestra pacientes con aumento de la captación de FDG (SUV ≧ 2,0) en los GL intratorácicos;
- El médico operador consideró que EBUS-TBNA debe realizarse en los GL para el diagnóstico o la estadificación preoperatoria del cáncer de pulmón;
- Los pacientes aceptan someterse a EBUS-TBNA, firman un consentimiento informado y no tienen contraindicaciones.
Criterio de exclusión:
- Pacientes con otras situaciones no aptas para EBUS-TBNA.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
|---|
|
Grupo de validación prospectiva
Se utilizarán dos métodos de diagnóstico en la sección de validación prospectiva, uno es el método tradicional cualitativo y cuantitativo, el otro es el modelo de predicción de inteligencia artificial basado en videos para comparar la eficacia del diagnóstico.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Eficacia diagnóstica del modelo de predicción de inteligencia artificial multimodal EBUS basado en videos
Periodo de tiempo: 6 meses después del procedimiento
|
La eficacia diagnóstica incluye sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión diagnóstica.
|
6 meses después del procedimiento
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Eficacia diagnóstica de los métodos cualitativos y cuantitativos tradicionales
Periodo de tiempo: 6 meses después del procedimiento
|
La eficacia diagnóstica incluye sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión diagnóstica.
|
6 meses después del procedimiento
|
|
Eficacia diagnóstica del modelo de aprendizaje profundo multimodal basado en imágenes
Periodo de tiempo: 6 meses después del procedimiento
|
La eficacia diagnóstica incluye sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión diagnóstica.
|
6 meses después del procedimiento
|
|
Comparación de modelo de predicción basado en deeping learning con métodos cualitativos y cuantitativos tradicionales
Periodo de tiempo: 6 meses después del procedimiento
|
La eficacia diagnóstica incluye sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión diagnóstica.
|
6 meses después del procedimiento
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Sun J, Teng J, Yang H, Li Z, Zhang J, Zhao H, Garfield DH, Han B. Endobronchial ultrasound-guided transbronchial needle aspiration in diagnosing intrathoracic tuberculosis. Ann Thorac Surg. 2013 Dec;96(6):2021-7. doi: 10.1016/j.athoracsur.2013.07.005. Epub 2013 Sep 12.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Saftoiu A, Vilmann P, Gorunescu F, Janssen J, Hocke M, Larsen M, Iglesias-Garcia J, Arcidiacono P, Will U, Giovannini M, Dietrich C, Havre R, Gheorghe C, McKay C, Gheonea DI, Ciurea T; European EUS Elastography Multicentric Study Group. Accuracy of endoscopic ultrasound elastography used for differential diagnosis of focal pancreatic masses: a multicenter study. Endoscopy. 2011 Jul;43(7):596-603. doi: 10.1055/s-0030-1256314. Epub 2011 Mar 24.
- Izumo T, Sasada S, Chavez C, Matsumoto Y, Tsuchida T. Endobronchial ultrasound elastography in the diagnosis of mediastinal and hilar lymph nodes. Jpn J Clin Oncol. 2014 Oct;44(10):956-62. doi: 10.1093/jjco/hyu105. Epub 2014 Aug 13.
- Steinfort DP, Conron M, Tsui A, Pasricha SR, Renwick WE, Antippa P, Irving LB. Endobronchial ultrasound-guided transbronchial needle aspiration for the evaluation of suspected lymphoma. J Thorac Oncol. 2010 Jun;5(6):804-9. doi: 10.1097/jto.0b013e3181d873be.
- Fujiwara T, Yasufuku K, Nakajima T, Chiyo M, Yoshida S, Suzuki M, Shibuya K, Hiroshima K, Nakatani Y, Yoshino I. The utility of sonographic features during endobronchial ultrasound-guided transbronchial needle aspiration for lymph node staging in patients with lung cancer: a standard endobronchial ultrasound image classification system. Chest. 2010 Sep;138(3):641-7. doi: 10.1378/chest.09-2006. Epub 2010 Apr 9.
- Nakajima T, Anayama T, Shingyoji M, Kimura H, Yoshino I, Yasufuku K. Vascular image patterns of lymph nodes for the prediction of metastatic disease during EBUS-TBNA for mediastinal staging of lung cancer. J Thorac Oncol. 2012 Jun;7(6):1009-14. doi: 10.1097/JTO.0b013e31824cbafa.
- Wang L, Wu W, Hu Y, Teng J, Zhong R, Han B, Sun J. Sonographic Features of Endobronchial Ultrasonography Predict Intrathoracic Lymph Node Metastasis in Lung Cancer Patients. Ann Thorac Surg. 2015 Oct;100(4):1203-9. doi: 10.1016/j.athoracsur.2015.04.143. Epub 2015 Jul 28.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de julio de 2018
Finalización primaria (Anticipado)
30 de junio de 2020
Finalización del estudio (Anticipado)
31 de diciembre de 2020
Fechas de registro del estudio
Enviado por primera vez
2 de diciembre de 2019
Primero enviado que cumplió con los criterios de control de calidad
29 de marzo de 2020
Publicado por primera vez (Actual)
31 de marzo de 2020
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
2 de abril de 2020
Última actualización enviada que cumplió con los criterios de control de calidad
31 de marzo de 2020
Última verificación
1 de marzo de 2020
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- SHCHE201906
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
INDECISO
Descripción del plan IPD
Los investigadores pueden publicar la base de datos después del estudio, pero aún no se ha tomado ninguna decisión.
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .