Sviluppo di un modello di deep learning basato su MRI per prevedere lo stato MMR
Sviluppo di un modello di deep learning basato sulla risonanza magnetica per prevedere lo stato MMR del carcinoma endometriale
Al fine di sviluppare un metodo conveniente, economico e completo per prevedere preoperatoriamente dMMR e ridurre il numero di persone che richiedono test immunoistochimici o genetici correlati a dMMR dopo l'intervento chirurgico, questo studio mira a stabilire un modello di apprendimento profondo basato sulla risonanza magnetica per prevedere lo stato MMR di tumore endometriale. Sono state raccolte le pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento. Il deep learning è stato utilizzato per combinare il modello clinico con i dati dell'immagine RM per costruire il modello. Le curve ROC sono state costruite per il gruppo di test, il gruppo di verifica interna e il gruppo di verifica esterna e l'area sotto le curve ROC è stata calcolata per valutare l'effetto diagnostico e la stabilità del modello.
La strategia di triage a doppia soglia è stata utilizzata per escludere la popolazione pMMR (sotto la soglia inferiore), la popolazione dMMR (sopra la soglia superiore) e la parte incerta della popolazione (tra le soglie).
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Descrizione dettagliata
In questo studio, dal 2017 al 2022 sono state raccolte le pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento. Si prevede di raccogliere 500 casi nel nostro ospedale, suddivisi in 375 casi (gruppo sperimentale) e 125 casi (gruppo di verifica interna).
100 casi di Sun Yat-sen University Cancer Center per verifica esterna. Sono stati raccolti dati clinici (età, sesso, BMI, CA125, CA19-9, stadiazione MR-T, risultati immunoistochimici delle proteine correlate a MMR) della popolazione in studio ed è stata condotta un'analisi di regressione logistica per stabilire modelli clinici. Estrai, segmenta, integra e migliora i dati delle immagini RM.
Il deep learning è stato utilizzato per combinare il modello clinico con i dati dell'immagine RM per costruire il modello. Le curve ROC sono state costruite per il gruppo di test, il gruppo di verifica interna e il gruppo di verifica esterna e l'area sotto le curve ROC è stata calcolata per valutare l'effetto diagnostico e la stabilità del modello.
La strategia di triage a doppia soglia è stata utilizzata per escludere la popolazione pMMR (sotto la soglia inferiore), la popolazione dMMR (sopra la soglia superiore) e la parte incerta della popolazione (tra le soglie). Se il punteggio predittivo è superiore alla soglia inferiore, si consiglia al paziente di sottoporsi a ulteriori test immunoistochimici o genetici per confermare lo stato MMR o il tipo di dMMR
Tipo di studio
Tipo di studio
Iscrizione (Anticipato)
Iscrizione
Contatti e Sedi
Contatto studio
Contatto studio
- Nome: Jing Li
- Numero di telefono: 15915893493
- Email: lijing228@mail.sysu.edu.cn
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento dal 2017 al 2022
Criteri di esclusione:
- (1) Non è stato riscontrato alcun risultato di rilevamento immunoistochimico della proteina correlata all'MMR; (2) Radioterapia e chemioterapia prima della risonanza magnetica; (3) piccoli tumori difficili da identificare sull'immagine (<5 mm); (4) La qualità dell'imaging pesata in T2 non è sufficiente per tracciare il ROI, come evidenti artefatti da movimento; (5) Esistono altre neoplasie ginecologiche
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
Gruppo di prova
375 pazienti del nostro ospedale, divisi casualmente.
|
500 pazienti del nostro ospedale sono stati divisi casualmente in gruppo di test e gruppo di convalida interna, e 100 pazienti nell'ospedale collaborativo erano gruppo di convalida esterno.
|
|
Gruppo di validazione interno
125 pazienti del nostro ospedale, divisi casualmente.
|
500 pazienti del nostro ospedale sono stati divisi casualmente in gruppo di test e gruppo di convalida interna, e 100 pazienti nell'ospedale collaborativo erano gruppo di convalida esterno.
|
|
Gruppo di convalida esterno
100 pazienti del Sun Yat-sen University Cancer Center
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Area sotto la curva caratteristica operativa del ricevitore (AUROC)
Lasso di tempo: un anno
|
L'area sotto la curva caratteristica operativa del ricevitore (AUROC) è stata utilizzata per valutare le prestazioni dei modelli
|
un anno
|
Collaboratori e investigatori
Sponsor
Sponsor
Collaboratori
Collaboratori
Investigatori
Investigatori
- Investigatore principale: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Studiare le date dei record
Studia le date principali
Inizio studio (Anticipato)
Inizio studio
Completamento primario (Anticipato)
Completamento primario
Completamento dello studio (Anticipato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- SYSKY-2023-084-01
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .