Tekoäly mammografiaan perustuvassa rintasyövän seulonnassa
Rintasyövän seulonta mammografialla: keinotekoisen syövän diagnostinen arviointi
Rintasyöpä (BC) on yleisin naisten syöpä maailmanlaajuisesti ja toiseksi yleisin syöpään liittyvien kuolemien syy.
Mammografia on tunnustettu BC-seulonnan kulmakiveksi yhdeksi hyödyllisistä kuvantamismenetelmistä BC-kuolleisuuden vähentämiseksi BC-kuolleisuuden varhaisen havaitsemisen ansiosta. Mammografiatulkinta on kuitenkin luonnostaan subjektiivinen arviointi ja altis ylidiagnoosille.
Viime vuosina tekoälyn (AI) ja tietokoneavusteisen diagnoosin (CAD) järjestelmät, joille on ominaista sulautetut syväoppimisalgoritmit, ovat tulleet BC-seulonnan alalle radiologin apuvälineenä, jonka tarkoituksena on optimoida perinteinen CAD-järjestelmä, jonka heikkoudet ovat käsintehtyjen ominaisuuksien poisto. Toistaiseksi uusien AI-CAD-työkalujen erillinen suorituskyky on osoittanut lupaavaa tarkkuutta ja tehokkuutta BC-diagnoosissa, mikä johtuu suurelta osin konvoluutiohermoverkon (CNN) käytöstä, ja jotkut niistä ovat jo saavuttaneet radiologin kaltaisen tason. Toisaalta radiologien suorituskyky BC-seulonnassa on osoittautunut parantuneeksi hyödyntämällä AI-CAD-järjestelmää päätöksenteon tukityökaluna. Kaupallisen AI-CAD-järjestelmän yleistyessä, sen hyödyllisyyden ja kustannustehokkuuden vankka arviointi kliinisissä olosuhteissa tulisi suorittaa skenaarioissa, jotka jäljittelevät todellista elämää ennen laajaa käyttöönottoa, kuten muutkin nousevat ja lupaavat tekniikat. Tämä edellyttää AI-CAD-järjestelmien validointia BC-seulonnassa useilla, erilaisilla ja edustavilla tietojoukoilla sekä myös lukijan ja järjestelmän välisen rajapinnan arvioimista. Tämä ehdotettu tutkimus pyrkii tutkimaan mammografioiden lukemiseen käytettävän AI-CAD-järjestelmän rintasyövän diagnostista suorituskykyä. Tässä työssä käytämme kaupallisesti saatavilla olevaa syväoppimisalgoritmeihin perustuvaa AI-CAD-työkalua (IBM Watson Imaging AI Solution) tunnistamaan ja karakterisoimaan epäilyttävät rintaleesiot mammografiassa. Mahdolliset syöpäleesiot voidaan merkitä ja niiden mammografiset ominaisuudet ja pahanlaatuisuuden todennäköisyys raportoidaan automaattisesti. AI-jälkikäsittelyn jälkeen suoritamme edelleen tilastollisen analyysin määrittääksemme AI-CAD-järjestelmän tarkkuuden BC-riskin ennustamiseen.
Tutkimuksen yleiskatsaus
Opintotyyppi
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Shatin
-
Hong Kong, Shatin, Hong Kong
- The Chinese University of Hong Kong, Prince of Wale Hospital
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Naiset, joille oli tehty tavallinen mammografia, mukaan lukien kraniokaudaalinen (CC) ja mediolateraalinen vino (MLO) näkemys.
- Histopatologisesti todistettu diagnoosi on saatavilla potilaille, joilla on rintasyöpä, mukaan lukien invasiivinen rintasyöpä, karsinooma in situ ja rajaleesio et al.
- Hyvänlaatuisen luonteen vertailustandardina ovat saatavilla tulokset patologisista tai kliinisistä pitkäaikaisista seurantatutkimuksista (>=2 vuotta) tapauksissa, joissa ei ole rintasyöpää.
Poissulkemiskriteerit:
- Potilaat, joilla on mammografiassa samansuuntaisia vaurioita, jotka voivat vaikuttaa myöhempään tekoälyn jälkikäsittelyyn.
- Potilaat, joilla ei ole saatavilla patologista diagnoosia tai pitkäaikaista seurantaa (>=2 vuotta).
- Potilaat, joille on tehty rintaleikkaus (esim. lumpektomia ja mammoplastia) ennen ensimmäistä mammografiaa.
- Potilaat, joilla on diagnosoitu muuntyyppisiä pahanlaatuisia kasvaimia, jotka ovat samanaikaisesti metastaasin tai infiltraation/invaasion kanssa rinnassa.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
tarkkuus
Aikaikkuna: 3 vuotta
|
todellisten tulosten (sekä todellisten positiivisten että todellisten negatiivisten) osuus kokonaisista tapauksista
|
3 vuotta
|
|
herkkyys
Aikaikkuna: 3 vuotta
|
todellinen positiivinen osuus prosentteina (%) saatu ROC-analyysillä
|
3 vuotta
|
|
spesifisyyttä
Aikaikkuna: 3 vuotta
|
todellinen negatiivinen osuus prosentteina (%) saatu ROC-analyysillä
|
3 vuotta
|
|
käyrän alla oleva pinta-ala (AUC)
Aikaikkuna: 3 vuotta
|
vastaanottimen toimintakäyrän (ROC) alla oleva pinta-ala prosentteina (%)
|
3 vuotta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2019.629
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .