A mélytanulási modell előrejelzi a tüdőrák patológiás teljes reakcióját a neoadjuváns immunkemoterápia után
2024. március 11. frissítette: Wuhan Union Hospital, China
A mesterséges intelligencia modellje előrejelzi a tüdőrák patológiás teljes válaszát a neoadjuváns immunkemoterápia után
Ez a tanulmány egy mesterséges intelligencia (AI) előrejelző rendszer fejlesztését és validálását mutatja be, amely a neoadjuváns immunterápia előtti sima szkenneléseket és a továbbfejlesztett multimodális CT-vizsgálatokat használja a mély tanulási jellemzők kinyerésére.
A cél a patológiás teljes válasz előfordulásának előrejelzése neoadjuváns immunkemoterápián átesett nem-kissejtes tüdőrákos betegekben.
A tanulmány áttekintése
Állapot
Még nincs toborzás
Körülmények
Beavatkozás / kezelés
Részletes leírás
Ebben a vizsgálatban retrospektív módon nem kontrasztanyaggal és kontraszttal javított CT-vizsgálatokat végeztek olyan NSCLC-ben szenvedő betegekről, akiket neoadjuváns immunkemoterápia után műtéten estek át.
több központban 2019 augusztusa és 2023 februárja között.
A prediktív modellek (LUNAI-nCT modell, illetve LUNAI-eCT modell) megalkotása érdekében a mélytanulási jellemzőket mind a szerződés nélküli, mind a kontraktussal javított CT-vizsgálatokból kinyertük.
E két jellemző tulajdonság egyesítése után egy fuzionált modellt (LUNAI-fCT modell) készítettek.
A modell teljesítményét a vevő működési jelleggörbe alatti terület (AUC), pontosság, érzékenység, specificitás, pozitív prediktív érték (PPV) és negatív prediktív érték (NPV) alapján értékeltük.
Az SHapley Additive ExPlanations (SHAP) elemzést használtuk a CT-képalkotási jellemzők modell-előrejelzésre gyakorolt hatásának számszerűsítésére.
Ahhoz, hogy betekintést nyerjünk a modellünk előrejelzéseibe, a Gradient súlyozott osztályaktiválási leképezést (Grad-CAM) alkalmaztuk a hangsúlyos hőtérképek létrehozásához.
Tanulmány típusa
Megfigyelő
Beiratkozás (Becsült)
1000
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Nem
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
olyan betegek, akiknél nem-kissejtes karcinómát diagnosztizáltak, és neoadjuváns kemoimmunterápiás kezelést követően műtéten estek át
Leírás
Bevételi kritériumok:
- Nem-kissejtes tüdőrákban szenvedő betegek, akiket biopsziás patológiával diagnosztizáltak, és klinikailag az IB–III.
- Olyan betegek, akik legalább két ciklus neoadjuváns immunterápiát kapnak kemoterápiás indukciós terápiával kombinálva;
- Az IASLC irányelvei szerint posztoperatív patológiai értékelést végeztünk a tumor primer lézió és a nyirokcsomók kezelési válaszán.
Kizárási kritériumok:
- Hiányzó vagy nem megfelelő minőségű CT;
- A CT és a kezelés megkezdése közötti időköz több mint 1 hónap;
- Hiányos klinikopatológiai adatok.
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Képzési adatkészlet
olyan betegek, akiknél nem-kissejtes karcinómát diagnosztizáltak, és az 1-es kórházban (Tongji Medical College Affiliated Union Hospital) neoadjuváns kemoimmunoterápiás kezelést követően műtéten estek át
|
Nagy mennyiségű kvantitatív képi jellemzők nagy áteresztőképességű kinyerése orvosi képekből
|
|
teszt adatkészlet
olyan betegek, akiknél nem-kissejtes karcinómát diagnosztizáltak, és műtéten estek át a neoadjuváns kemoimmunoterápiás kezelést követően a kórházban (Zhengzhou University First Affiliated Hospital, Yichang Central Hospital, Anyang Cancer Hospital)
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
az előrejelző modell pontossága, érzékenysége, specificitása, pozitív prediktív értéke (PPV) és negatív prediktív értéke (NPV)
Időkeret: Alapkezelés
|
számos mérőszámot számítottak ki, beleértve a pontosságot, érzékenységet, specificitást, pozitív prediktív értéket (PPV) és negatív prediktív értéket (NPV).
|
Alapkezelés
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Becsült)
2024. március 1.
Elsődleges befejezés (Becsült)
2025. december 1.
A tanulmány befejezése (Becsült)
2026. március 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2024. február 22.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2024. február 22.
Első közzététel (Tényleges)
2024. február 29.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2024. március 13.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2024. március 11.
Utolsó ellenőrzés
2024. február 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- LUNAI
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
ELDÖNTETLEN
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .