Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data

maanantai 22. kesäkuuta 2026 päivittänyt: Yunnan Cancer Hospital

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation

This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data. To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS). To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Interventio / Hoito

Opintotyyppi

Interventio

Ilmoittautuminen (Arvioitu)

1800

Vaihe

  • Ei sovellettavissa

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Tutki yhteystietojen varmuuskopiointi

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

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Ei

Kuvaus

Inclusion Criteria:

  1. Histopathologically confirmed invasive breast cancer;
  2. Planned to receive a full course of neoadjuvant therapy;
  3. Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.

Exclusion Criteria:

  1. Previous history of ipsilateral breast cancer or chest radiotherapy;
  2. Distant metastasis (Stage IV);
  3. Poor image quality or missing clinical data exceeding 20%.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Ensisijainen käyttötarkoitus: Diagnostiikka
  • Jako: Ei käytössä
  • Inventiomalli: Yksittäinen ryhmätehtävä
  • Naamiointi: Ei mitään (avoin tarra)

Aseet ja interventiot

Osallistujaryhmä / Arm
Interventio / Hoito
Kokeellinen: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
Diagnostinen testi: To explore the value of a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information in predicting pCR and long-term prognosis.
MRI and ultrasound were performed in addition to conventional treatment regimens

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Aikaikkuna: From enrollment to the end of surgery
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed. Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
From enrollment to the end of surgery

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Prognostic predictive value of multimodal data for breast cancer
Aikaikkuna: From enrollment to the end of surgery
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS). Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
From enrollment to the end of surgery

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Yunnan Cancer Hospital

Tutkijat

  • Opintojohtaja: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital

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 (Arvioitu)

Maanantai 1. kesäkuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Torstai 31. joulukuuta 2026

Opintojen valmistuminen (Arvioitu)

Lauantai 30. kesäkuuta 2029

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Tiistai 19. toukokuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 22. kesäkuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Perjantai 26. kesäkuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Perjantai 26. kesäkuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 22. kesäkuuta 2026

Viimeksi vahvistettu

Perjantai 1. toukokuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • KYLX2026-205

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

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 .

Tilaa