Hyperspektraalisen kuvantamisanalyysitekniikan soveltaminen paksusuolensyövän diagnosoinnissa kolonoskooppiseen biopsiaan
perjantai 16. joulukuuta 2022 päivittänyt: Xiuli Zuo, Shandong University
Tämän tutkimuksen tarkoituksena on kehittää ja validoida syväoppimisalgoritmi paksusuolensyövän ja muiden kolorektaalisten sairauksien diagnosointiin merkitsemällä ja analysoimalla hyperspektraalisten kuvien ominaisuudet kolonoskooppisen biopsian patologisten tulosten perusteella, jotta parannetaan solujen objektiivisuutta ja älykkyyttä. varhainen paksusuolensyövän diagnoosi.
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Yksityiskohtainen kuvaus
Kerää prospektiivisesti hyperspektrikuvatiedot tavallisesta kolonoskooppisesta biopsiakudoksesta.
Kolonoskopinen biopsiakudos on peräisin Shandongin yliopiston Qilun sairaalan endoskopiakeskuksesta.
Hyperspektrikuvat merkitään biopsian patologisten tulosten perusteella ja käytetään syväkonvoluutiohermoverkon (DCNN) mallia.
Kehitä koulutuksen ja todentamisen avulla Hyperspectral Imaging Artificial Intelligence Diagnostic System (HSIAIDS) -järjestelmä. Osa kolonoskooppisesta biopsiakudoksesta kerätään tulevana testisarjana HSIAIDS-algoritmin diagnostisen suorituskyvyn prospektiivisen testaamiseksi.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
50
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Xiuli Zuo, MD,PhD
- Puhelinnumero: 15588818685
- Sähköposti: zuoxiuli@sina.com
Opiskelupaikat
-
-
Shandong
-
Jinan, Shandong, Kiina, 250012
- Rekrytointi
- Qilu hosipital
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
18 vuotta - 75 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
18–75-vuotiaat potilaat, joille tehdään kolonoskopiatutkimus ja biopsia;
Kuvaus
Sisällyttämiskriteerit:
- 18–75-vuotiaat potilaat, joille tehdään kolonoskopiatutkimus ja biopsia
Poissulkemiskriteerit:
- potilaat, joilla on vaikea sydämen, aivojen, keuhkojen tai munuaisten vajaatoiminta tai psykiatriset häiriöt, jotka eivät voi osallistua kolonoskopiaan
- potilaille, joille on tehty aiempia leikkaustoimenpiteitä maha-suolikanavassa.
- potilaat, joilla on vasta-aiheinen biopsia
- potilaat, jotka kieltäytyvät allekirjoittamasta tietoon perustuvaa suostumuslomaketta
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Syväoppimisalgoritmiryhmä
Kun potilas on läpäissyt seulonnan, hänelle tehdään rutiini kolonoskopia ja biopsia kohdekudoksesta, jossa epäillään tulehdusta tai neoplasiaa.
Kliiniset tutkijat käyttävät hyperspektrimikroskooppia kerätäkseen kuvatietoja biopsiakudoksesta endoskopiahuoneessa.
Tietojen keräämisen jälkeen biopsianäytteet käsitellään rutiininomaisesti ja lähetetään patologista diagnoosia varten.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
HSI-tekoälymallin tarkkuus kolorektaalisen adenooman ja syövän tunnistamiseksi
Aikaikkuna: 1 vuosi
|
Hyperspektrisen kuvantamisen (HSI) tekoälymallin tarkkuus kolorektaalisen hyperplastisen polyypin, adenooman, SSL:n ja paksusuolensyövän tunnistamiseksi.
Tekoälymallien tarkkuus Tarkkuus = (todelliset positiiviset + todelliset negatiiviset) / koehenkilöiden kokonaismäärä * 100 %
|
1 vuosi
|
|
Herkkyys
Aikaikkuna: 1 vuosi
|
HSI-tekoälymallin herkkyys Herkkyys = todellisten positiivisten määrä / (todellisten positiivisten + väärien negatiivisten lukumäärä) * 100%.
|
1 vuosi
|
|
Spesifisyys
Aikaikkuna: 1 vuosi
|
HSI:n tekoälymallin spesifisyys Spesifisyys = todellisten negatiivisten määrä / (todellisten negatiivisten lukumäärä + väärien positiivisten määrä)*100 %
|
1 vuosi
|
|
Negatiiviset ennustavat arvot (NPV)
Aikaikkuna: 1 vuosi
|
Negatiiviset ennustavat arvot HSI-tekoälymallille = todellisten negatiivisten määrä / (todellisten negatiivisten lukumäärä + väärien negatiivisten määrä)*100 %
|
1 vuosi
|
|
AUC (95 % CI)
Aikaikkuna: 1 vuosi
|
vastaanottimen toimintakäyrän alla oleva alue (AUC)
|
1 vuosi
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tallentaa ja arvioida hyperspektrisen kuvantamisen tuntemattomia riskejä ja haittatapahtumia näytekuvan hankinnassa
Aikaikkuna: 1 vuosi
|
Tallentaa ja arvioida hyperspektrisen kuvantamisen tuntemattomia riskejä ja haittatapahtumia näytekuvan hankinnassa
|
1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Tutkijat
- Opintojen puheenjohtaja: Xiuli Zuo, MD,PhD, Study Principal Investigator
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Lauantai 8. lokakuuta 2022
Ensisijainen valmistuminen (Odotettu)
Sunnuntai 31. joulukuuta 2023
Opintojen valmistuminen (Odotettu)
Sunnuntai 31. joulukuuta 2023
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Lauantai 8. lokakuuta 2022
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Lauantai 8. lokakuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 12. lokakuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 21. joulukuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 16. joulukuuta 2022
Viimeksi vahvistettu
Lauantai 1. lokakuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
- Ruoansulatuskanavan sairaudet
- Neoplasmat histologisen tyypin mukaan
- Neoplasmat
- Neoplasmat sivustoittain
- Kasvaimet, rauhas- ja epiteelikasvaimet
- Ruoansulatuskanavan kasvaimet
- Ruoansulatuskanavan kasvaimet
- Ruoansulatuskanavan sairaudet
- Paksusuolen sairaudet
- Suoliston sairaudet
- Suoliston kasvaimet
- Peräsuolen sairaudet
- Kolorektaaliset kasvaimet
- Adenoma
Muut tutkimustunnusnumerot
- 2022-SDU-QILU-G003
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .
Kliiniset tutkimukset Kolorektaaliset kasvaimet
-
Massachusetts General HospitalValmisColoRectal syövän seulonta