L'intelligence artificielle dans le dépistage du cancer du sein par mammographie
Dépistage du cancer du sein par mammographie : évaluation diagnostique d'un appareil
Le cancer du sein (CB) est le cancer le plus répandu chez les femmes dans le monde et la deuxième cause de décès par cancer.
En tant que pierre angulaire du dépistage du CS, la mammographie est reconnue comme l'une des modalités d'imagerie utiles pour réduire la mortalité du CS, grâce à la détection précoce du CS. Cependant, l'interprétation de la mammographie est une évaluation intrinsèquement subjective et sujette à un surdiagnostic.
Ces dernières années, les systèmes d'intelligence artificielle (IA) et de diagnostic assisté par ordinateur (CAO), caractérisés par des algorithmes d'apprentissage en profondeur intégrés, sont entrés dans le domaine du dépistage du cancer du sein en tant qu'aide pour les radiologues, dans le but d'optimiser le système de CAO conventionnel avec une faiblesse de extraction de caractéristiques artisanales. Pour l'instant, les performances autonomes des nouveaux outils AI-CAD ont démontré une précision et une efficacité prometteuses dans le diagnostic de la Colombie-Britannique, largement attribuées à l'utilisation du réseau de neurones à convolution (CNN), et certains d'entre eux ont déjà atteint un niveau de radiologue. D'autre part, les performances des radiologues en matière de dépistage du BC se sont améliorées, en tirant parti du système AI-CAD comme outil d'aide à la décision. Au fur et à mesure de la mise en œuvre croissante du système commercial AI-CAD, une évaluation solide de son utilité et de son rapport coût-efficacité dans des circonstances cliniques devrait être entreprise dans des scénarios imitant la vie réelle avant une large adoption, comme d'autres technologies émergentes et prometteuses. Cela nécessite de valider les systèmes AI-CAD dans le criblage BC sur des ensembles de données multiples, divers et représentatifs et également d'estimer l'interface entre le lecteur et le système. Cette étude proposée vise à étudier les performances de diagnostic du cancer du sein du système AI-CAD utilisé pour la lecture des mammographies. Dans ce travail, nous utiliserons un outil AI-CAD disponible dans le commerce basé sur des algorithmes d'apprentissage en profondeur (IBM Watson Imaging AI Solution) pour identifier et caractériser les lésions mammaires suspectes sur les mammographies. Les lésions cancéreuses potentielles peuvent être étiquetées et leurs caractéristiques mammographiques et leur probabilité de malignité seront automatiquement signalées. Après le post-traitement de l'IA, nous effectuerons en outre une analyse statistique pour déterminer l'exactitude du système AI-CAD pour la prédiction du risque BC.
Aperçu de l'étude
Type d'étude
Contacts et emplacements
Lieux d'étude
-
-
Shatin
-
Hong Kong, Shatin, Hong Kong
- The Chinese University of Hong Kong, Prince of Wale Hospital
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Femmes ayant subi une mammographie standard comprenant des vues craniocaudale (CC) et médiolatérale oblique (MLO).
- Un diagnostic prouvé par histopathologie est disponible pour les patientes atteintes d'une tumeur maligne du sein, y compris le cancer du sein invasif, le carcinome in situ et la lésion limite et al.
- Comme norme de référence de nature bénigne, les résultats d'examens pathologiques ou cliniques de suivi à long terme (> = 2 ans) sont disponibles pour les cas sans tumeur maligne du sein.
Critère d'exclusion:
- Patientes présentant des lésions concomitantes sur les mammographies pouvant influencer le post-processus d'IA ultérieur.
- Patients sans diagnostic pathologique disponible ni examens de suivi à long terme (>= 2 ans).
- Les patientes ayant subi une intervention chirurgicale mammaire (par ex. tumorectomie et mammoplastie) avant la première mammographie.
- Patientes diagnostiquées avec d'autres types de tumeurs malignes, concomitantes à des métastases ou à une infiltration/invasion du sein.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
précision
Délai: 3 années
|
proportion de vrais résultats (à la fois vrais positifs et vrais négatifs) parmi des instances entières
|
3 années
|
|
sensibilité
Délai: 3 années
|
taux de vrais positifs en pourcentage (%) dérivé de l'analyse ROC
|
3 années
|
|
spécificité
Délai: 3 années
|
taux de vrais négatifs en pourcentage (%) dérivé de l'analyse ROC
|
3 années
|
|
aire sous la courbe (AUC)
Délai: 3 années
|
surface sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) en pourcentage (%)
|
3 années
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 2019.629
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .