Utilisation de l'intelligence artificielle pour prédire les résultats du cancer du rectum
9 février 2023 mis à jour par: Taichung Veterans General Hospital
Utilisation de la reconnaissance d'images CNN pour prédire les résultats du cancer rectal
La rétrospective des enquêteurs recueille les cas de 2010 à 2021 diagnostiqués comme adénocarcinome rectal avec des images CT de haute qualité. Les cas locaux de cancer rectal avancé ont été étiquetés comme "maladie". Ils n'ont pas non plus été définis " normaux ".
Utilisation de l'intelligence artificielle CNN sur un ordinateur portable jupyter avec un code phyton ouvert pour former et développer des modèles capables de reconnaître le cancer rectal avancé local. Modifiez le code phyton pour mieux prédire le taux et aider le médecin à évaluer rapidement la gravité de la maladie pour les nouveaux cas de cancer du rectum.
Aperçu de l'étude
Statut
Complété
Les conditions
Description détaillée
Du 2010.10.1 au 2021.12.31, les patients atteints d'un cancer du rectum avec une lésion cT3-4 ont été inclus.
Collectez des images CT de haute qualité avec des fichiers DICOM dans le segment tumoral.
cT1-2, lésions rectales basses, les cas non CCR n'ont pas été inclus.
Les images sans contraste et artificielles ont également été exclues.
Les images CT ont été étiquetées comme "malades" lorsque le CRM était menacé (<2mm).
Toutes les images ont été étiquetées selon le jugement de 2 spécialistes.
Les données ont été séparées en 2 parties.
Un pour la formation et les tests de modèles d'IA, un autre pour la validation externe.
L'ensemble de données de test de formation a été réalisé par un réseau de neurones d'apprentissage en profondeur et l'évaluation des performances de précision du modèle.
Ensuite, le modèle a été appliqué à un ensemble de données de validation externe pour des tests dans le monde réel, évaluant le taux de cohérence entre l'IA et la décision du Dr.
De plus, pour voir les résultats de survie au cancer selon les résultats de prédiction du modèle d'IA.
Type d'étude
Observationnel
Inscription (Réel)
720
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Lieux d'étude
-
-
-
Taichung, Taïwan
- Taichung Verterans General Hospital
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
20 ans à 100 ans (ADULTE, OLDER_ADULT)
Accepte les volontaires sains
Non
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Cancer rectal diagnostiqué entre 2010.10.1-2022.7.31.
lésion clinique T3-4.
avec des images CT de haute qualité avec contraste.
La description
Critère d'intégration:
- stade clinique T3-4 avec des images CT de haute qualité.
Critère d'exclusion:
- 1. pas de lésion maligne primaire
- 2. ne localise pas le rectum
- 3. Lésion T1-2
- 4. images sans contraste ou de mauvaise qualité
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
images des lésions du cancer du rectum pour la formation
Images de lésions cancéreuses rectales.
Les images avec une marge circonférentielle menacée (<2 mm) de cancer du rectum ont été étiquetées comme "malades".
Sinon, les images étaient étiquetées comme "normales".
Utilisation de ces matériaux comme supports de formation pour la construction de modèles d'apprentissage en profondeur de l'IA.
|
Utilisation d'images étiquetées comme matériel de formation pour l'intelligence artificielle afin de développer un modèle de détection d'objets.
|
|
images de lésions cancéreuses rectales pour les tests.
Utilisation des modèles d'apprentissage en profondeur de l'IA d'accumulation de la cohorte de formation.
Évaluer le taux de prédiction du modèle et analyser les résultats de survie.
|
Utilisation de l'ensemble de validation externe pour évaluer le taux de prédiction et le résultat de survie.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
précision de l'intelligence artificielle avec un médecin expérimenté
Délai: 1 semaine après la réalisation des images.
|
précision entre intelligence artificielle et médecin expérimenté
|
1 semaine après la réalisation des images.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
résultat de survie dans la vie réelle du diagnostic par intelligence artificielle.
Délai: 5 ans après le diagnostic
|
résultat de survie dans la vie réelle par l'intelligence artificielle.
|
5 ans après le diagnostic
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Chercheur principal: ChunuYu Lin, M.D., Taichung Veterans General Hospital
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (RÉEL)
1 octobre 2010
Achèvement primaire (RÉEL)
31 juillet 2022
Achèvement de l'étude (RÉEL)
31 décembre 2022
Dates d'inscription aux études
Première soumission
5 janvier 2023
Première soumission répondant aux critères de contrôle qualité
9 février 2023
Première publication (RÉEL)
13 février 2023
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
13 février 2023
Dernière mise à jour soumise répondant aux critères de contrôle qualité
9 février 2023
Dernière vérification
1 février 2023
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- CE21235B
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
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 .