Uso de la inteligencia artificial para predecir los resultados del cáncer de recto
9 de febrero de 2023 actualizado por: Taichung Veterans General Hospital
Uso del reconocimiento de imágenes de CNN para predecir los resultados del cáncer de recto
El investigador recopila de forma retrospectiva los casos durante 2010-2021 diagnosticados como adenocarcinoma rectal con imágenes de TC de alta calidad. Los casos de cáncer de recto avanzado local se etiquetaron como "enfermedad". Tampoco se definieron "normales".
Usando inteligencia artificial CNN en jupyter notebook con código phyton abierto para entrenar y desarrollar modelos capaces de reconocer cáncer rectal avanzado local. Modifique el código phyton para predecir mejor la tasa y ayudar al médico a evaluar rápidamente la gravedad de la enfermedad en casos recientes de cáncer de recto.
Descripción general del estudio
Estado
Terminado
Condiciones
Descripción detallada
Del 1 de octubre de 2010 al 31 de diciembre de 2021, se incluyeron pacientes con cáncer de recto con lesión cT3-4.
Recopile imágenes de TC de alta calidad con archivos DICOM en el segmento tumoral.
cT1-2, lesiones rectales bajas, no se incluyeron casos de CCR.
También se excluyeron las imágenes sin contraste y con defectos artificiales.
Las imágenes de TC se etiquetaron como "enfermas" cuando los CRM estaban amenazados (<2 mm).
Todas las imágenes fueron rotuladas según criterio de 2 especialistas.
Los datos se separaron en 2 partes.
Uno para entrenamiento y prueba de modelos de IA, otro para validación externa.
El conjunto de datos de prueba de entrenamiento se logró mediante una red neuronal de aprendizaje profundo y evaluando el rendimiento de precisión del modelo.
Luego, el modelo se aplicó en un conjunto de datos de validación externa para pruebas en el mundo real, evaluando la tasa coherente entre la IA y la decisión del Dr.
Además, para ver los resultados de supervivencia del cáncer según los resultados de predicción del modelo de IA.
Tipo de estudio
De observación
Inscripción (Actual)
720
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
-
-
-
Taichung, Taiwán
- Taichung Verterans General Hospital
-
-
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
20 años a 100 años (ADULTO, MAYOR_ADULTO)
Acepta Voluntarios Saludables
No
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra no probabilística
Población de estudio
Cáncer de recto diagnosticado entre el 10.1.2010 y el 31.7.2022.
lesión clínica T3-4.
con imágenes de TC de alta calidad con contraste.
Descripción
Criterios de inclusión:
- estadificación clínica T3-4 con imágenes de TC de alta calidad.
Criterio de exclusión:
- 1. lesión maligna no primaria
- 2. no localizar el recto
- 3. Lesión T1-2
- 4. imágenes sin contraste o de mala calidad
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 |
Intervención / Tratamiento |
|---|---|
|
imágenes de lesión de cáncer de recto para entrenamiento
Imágenes de lesiones de cáncer de recto.
Las imágenes con margen circunferencial amenazado (<2 mm) de cáncer de recto se etiquetaron como "enfermo".
De lo contrario, las imágenes se etiquetaron como "normales".
Uso de estos materiales como materiales de capacitación para la construcción del modelo de aprendizaje profundo de IA.
|
Uso de imágenes etiquetadas como materiales de entrenamiento para que la inteligencia artificial desarrolle un modelo de detección de objetos.
|
|
imágenes de lesiones de cáncer de recto para realizar pruebas.
Usando los modelos de aprendizaje profundo de IA de acumulación de la cohorte de entrenamiento.
Evaluar la tasa de predicción del modelo y analizar los resultados de supervivencia.
|
Uso del conjunto de validación externa para evaluar la tasa de predicción y el resultado de supervivencia.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
precisión de la inteligencia artificial con un médico experimentado
Periodo de tiempo: 1 semana después de las imágenes hechas.
|
precisión entre inteligencia artificial y médico experimentado
|
1 semana después de las imágenes hechas.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
resultado de supervivencia en la vida real del diagnóstico por inteligencia artificial.
Periodo de tiempo: 5 años después del diagnóstico
|
resultado de supervivencia en la vida real por inteligencia artificial.
|
5 años después del diagnóstico
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Investigadores
- Investigador principal: ChunuYu Lin, M.D., Taichung Veterans General Hospital
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 octubre de 2010
Finalización primaria (ACTUAL)
31 de julio de 2022
Finalización del estudio (ACTUAL)
31 de diciembre de 2022
Fechas de registro del estudio
Enviado por primera vez
5 de enero de 2023
Primero enviado que cumplió con los criterios de control de calidad
9 de febrero de 2023
Publicado por primera vez (ACTUAL)
13 de febrero de 2023
Actualizaciones de registros de estudio
Última actualización publicada (ACTUAL)
13 de febrero de 2023
Última actualización enviada que cumplió con los criterios de control de calidad
9 de febrero de 2023
Última verificación
1 de febrero de 2023
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- CE21235B
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. .