Orbitális daganatok kockázati rétegződése MRl és mesterséges intelligencia alapján
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
Bár az orbitális daganatok ritkábban fordulnak elő, mint más szemmel kapcsolatos betegségek, rendkívül károsak lehetnek a betegek számára. Nemcsak fizikai eltorzulást okozhatnak, hanem funkcionális károsodásokhoz is vezethetnek, mint például a látás romlása és a szemmozgás korlátozása. Az orbitális daganatok jóindulatúak és rosszindulatúak kategóriába sorolhatók, és jelentős eltérések vannak biológiai viselkedésükben, kezelési megközelítésükben, kimenetelükben és prognózisukban, ami megnehezíti a differenciáldiagnózis és a kezelés kiválasztásának folyamatát. A rosszindulatú elváltozások esetében a betegek kezelési tervei és prognózisa a különböző patológiás típusok és stádiumok miatt eltérő. Ezért sürgető klinikai szükség van az orbitális daganatok pontos diagnosztikai módszereinek kidolgozására. A multiparametriás mágneses rezonancia képalkotás (mp-MRI) jelenleg a vezető non-invazív képalkotó technika az orbitális daganatok diagnosztizálásában. Ez a tanulmány az orbitális daganatok kockázati rétegződésének pontos diagnosztizálására összpontosít, mesterséges intelligencia algoritmus-technológiát használva az MRI-képek és a jóindulatú és rosszindulatú orbitális daganatok megkülönböztető diagnózisa, szövettani típusai és a rosszindulatú daganatok Ki-67 expressziós szintje közötti eredendő kapcsolat feltárására. Célja a klinikai információk és a kvantitatív MRI jellemzők integrálása az előrejelzési modellek felépítéséhez, segítve az egyéni diagnózis és kezelési döntések irányítását az orbitális daganatokban szenvedő betegek számára, valamint megkönnyítve a mesterséges intelligencia technológia alkalmazását és fejlesztését. Konkrétan a kutatási célok a következők:
- Mély tanuláson alapuló automatikus szegmentációs modell létrehozása orbitális daganatok számára több központból származó többszekvenciás MRI-adatkészlet felhasználásával, ezáltal csökkentve a kézi lehatároláshoz szükséges időt, és hasznosnak bizonyul a későbbi elemzésekhez.
- Modell kidolgozása rosszindulatú és jóindulatú orbitális daganatok azonosítására több gépi tanulási algoritmus és többszekvenciás MRI adatkészlettel kombinálva, azzal a céllal, hogy pontosabb információkat nyújtson e két entitás megkülönböztetéséhez.
- Robusztus diagnosztikai modellek készítése gépi tanulási vagy mély tanulási megközelítésekkel kvantitatív többszekvenciás MRI jellemzőkkel a rosszindulatú orbitális daganatok szövettani típusának és Ki-67 expressziós szintjének azonosítására, a kimutatási arány és a pontosság növelése céljából, ezáltal a betegek kockázati rétegződésének elérése érdekében. rosszindulatú orbitális daganatokkal.
Tanulmány típusa
Beiratkozás (Tényleges)
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Orbitális daganatos betegek, akiknél 2015 és 2022 között preoperatív multiparametriás MRl-t (mp-MRl) végeztek a pekingi Tongren Kórházban.
Kizárási kritériumok:
- A preoperatív multiparametriás MRl (mp-MRl) vagy egyértelmű patológiás diagnózis nélküli betegek.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Rosszindulatú orbitális daganatok
Patológiás megerősítéssel diagnosztizált rosszindulatú orbitális daganatos betegek (limfóma, melanoma, ...).
|
A diagnosztikai modelleket a többparaméteres MRI-képekből kinyert és megfelelő mélytanulási vagy gépi tanulási algoritmusokkal tovább feldolgozott kvantitatív jellemzők segítségével állítják fel.
|
|
Jóindulatú orbitális daganatok
Patológiás megerősítéssel diagnosztizált jóindulatú orbitális daganatos betegek (cavernosus hemangioma, gyulladásos pszeudotumor, ...).
|
A diagnosztikai modelleket a többparaméteres MRI-képekből kinyert és megfelelő mélytanulási vagy gépi tanulási algoritmusokkal tovább feldolgozott kvantitatív jellemzők segítségével állítják fel.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A rosszindulatú és jóindulatú orbitális daganatok differenciáldiagnózisának diagnosztikai modelljeinek vevőműködési görbe alatti területe, a szövettani típusok magas és alacsony foka, valamint a Ki-67 expresszió szintje rosszindulatú daganatokban.
Időkeret: Műtét előtt
|
A ROC-görbe alatti területet a ROC-görbe integrálásával számítják ki, amely az érzékenységet az 1-es specifitás függvényében ábrázolja.
|
Műtét előtt
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A rosszindulatú és jóindulatú orbitális daganatok differenciáldiagnózisának diagnosztikai modelljeinek Precision-Recall görbe alatti területe, a szövettani típusok magas és alacsony foka, valamint a Ki-67 expresszió magas és alacsony szintje rosszindulatú orbitális daganatokban.
Időkeret: Műtét előtt
|
A precíziós-visszahívási görbe alatti területet a Precision-Recall görbe integrálásával határozzuk meg, amely ábrázolja a pontosságot a visszahívással szemben.
|
Műtét előtt
|
|
A rosszindulatú és jóindulatú orbitális daganatok differenciáldiagnózisának diagnosztikai modelljeinek érzékenysége, a szövettani típusok magas és alacsony foka, valamint a Ki-67 expresszió magas és alacsony szintje rosszindulatú orbitális daganatokban.
Időkeret: Műtét előtt
|
Az érzékenységet a valódi pozitívok és a valódi pozitívok és a hamis negatívok összegének arányaként számítják ki.
|
Műtét előtt
|
|
A rosszindulatú és jóindulatú orbitális daganatok differenciáldiagnózisának diagnosztikai modelljei, a szövettani típusok magas és alacsony foka, valamint a Ki-67 expresszió magas és alacsony szintje rosszindulatú orbitális daganatokban.
Időkeret: Műtét előtt
|
A specificitást a valódi negatívok és a valódi negatívok és a hamis pozitívumok összegének arányaként számítják ki.
|
Műtét előtt
|
|
A rosszindulatú és jóindulatú orbitális daganatok differenciáldiagnózisának diagnosztikai modelljeinek pontossága, a szövettani típusok magas és alacsony foka, valamint a Ki-67 expresszió magas és alacsony szintje rosszindulatú orbitális daganatokban.
Időkeret: Műtét előtt
|
A pontosságot a valódi pozitív és a valódi negatívumok összegének az esetek teljes számához viszonyított arányaként számítjuk ki.
|
Műtét előtt
|
Együttműködők és nyomozók
Szponzor
Nyomozók
- Tanulmányi szék: Junfang Xian, M.D., Ph.D., Department of Radiology, Beijing Tongren Hospital, Capital Medical University
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- TREC2023-KY107
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .