Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Utilizzo dell'intelligenza artificiale per prevedere gli esiti del cancro del retto

9 febbraio 2023 aggiornato da: Taichung Veterans General Hospital

Utilizzo del riconoscimento delle immagini della CNN per prevedere gli esiti del cancro del retto

L'investigatore raccoglie retrospettivamente i casi nel periodo 2010-2021 diagnosticati come adenocarcinoma rettale con immagini TC di alta qualità. I casi di cancro del retto avanzato locale sono stati etichettati come "malattia". Né sono stati definiti "normali".

Utilizzo dell'intelligenza artificiale CNN su jupyter notebook con codice Python aperto per addestrare e sviluppare modelli in grado di riconoscere il cancro del retto avanzato locale. Modifica il codice phyton per una migliore previsione del tasso e aiuta il medico a valutare rapidamente la gravità della malattia per i nuovi casi di cancro del retto.

Panoramica dello studio

Stato

Completato

Condizioni

Intervento / Trattamento

Descrizione dettagliata

Dal 1.10.2010 al 31.12.2010, sono stati inclusi i pazienti affetti da cancro del retto con lesione cT3-4. Raccogli immagini CT di alta qualità con file DICOM nel segmento tumorale. cT1-2, lesioni del retto basso, casi non CRC non sono stati inclusi. Sono state escluse anche le immagini senza contrasto e con difetti artificiali. Le immagini TC sono state etichettate come "malate" quando i CRM erano minacciati (<2 mm). Tutte le immagini sono state etichettate secondo il giudizio di 2 specialisti. I dati sono stati separati in 2 parti. Uno per la formazione e il test del modello AI, un altro per la convalida esterna. Il set di dati di test di addestramento è stato ottenuto mediante una rete neurale di deep learning e valutando le prestazioni di accuratezza del modello. Quindi il modello è stato applicato al set di dati di convalida esterno per i test nel mondo reale, valutando il tasso coerente tra l'IA e la decisione del Dr. Inoltre, per vedere i risultati di sopravvivenza del cancro in base ai risultati della previsione del modello AI.

Tipo di studio

Osservativo

Iscrizione (Effettivo)

720

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

  • Taiwan
      • Taichung, Taiwan
        • Taichung Verterans General Hospital

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

Da 20 anni a 100 anni (ADULTO, ANZIANO_ADULTO)

Accetta volontari sani

No

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Cancro del retto diagnosticato nel periodo 2010.10.1-2022.7.31. lesione clinica T3-4. con immagini CT di alta qualità con contrasto.

Descrizione

Criterio di inclusione:

  • stadiazione clinica T3-4 con immagini TC di alta qualità.

Criteri di esclusione:

  • 1. lesione maligna non primaria
  • 2. non localizzare il retto
  • 3. Lesione T1-2
  • 4. Immagini prive di contrasto o di scarsa qualità

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
immagini della lesione del cancro del retto per l'allenamento
Immagini della lesione del cancro del retto. Le immagini con margine circonferenziale minacciato (<2 mm) di cancro del retto sono state etichettate come "malate". In caso contrario, le immagini venivano etichettate come "normali". Utilizzo di questi materiali come materiali di formazione per la creazione di modelli di deep learning AI.
Altro: Come materiale di formazione per il modello di deep learning.
Utilizzo di immagini etichettate come materiali di formazione per l'intelligenza artificiale per sviluppare un modello di rilevamento degli oggetti.
immagini della lesione del cancro del retto per i test.
Utilizzo dei modelli di deep learning basati sull'intelligenza artificiale dalla coorte di formazione. Valutazione del tasso di previsione del modello e analisi dei risultati di sopravvivenza.
Altro: Come materiali per la validazione esterna del modello di costruzione.
Utilizzo del set di convalida esterno per valutare il tasso di previsione e il risultato di sopravvivenza.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
precisione dell'intelligenza artificiale con un medico esperto
Lasso di tempo: 1 settimana dopo le immagini fatte.
accuratezza tra intelligenza artificiale e medico esperto
1 settimana dopo le immagini fatte.

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
esito di sopravvivenza nella vita reale della diagnosi da parte dell'intelligenza artificiale.
Lasso di tempo: 5 anni dopo la diagnosi
risultato di sopravvivenza nella vita reale dall'intelligenza artificiale.
5 anni dopo la diagnosi

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Taichung Veterans General Hospital

Investigatori

  • Investigatore principale: ChunuYu Lin, M.D., Taichung Veterans General Hospital

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (EFFETTIVO)

1 ottobre 2010

Completamento primario (EFFETTIVO)

31 luglio 2022

Completamento dello studio (EFFETTIVO)

31 dicembre 2022

Date di iscrizione allo studio

Primo inviato

5 gennaio 2023

Primo inviato che soddisfa i criteri di controllo qualità

9 febbraio 2023

Primo Inserito (EFFETTIVO)

13 febbraio 2023

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (EFFETTIVO)

13 febbraio 2023

Ultimo aggiornamento inviato che soddisfa i criteri QC

9 febbraio 2023

Ultimo verificato

1 febbraio 2023

Maggiori informazioni

Termini relativi a questo studio

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • CE21235B

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

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 .

Prove cliniche su Stadio del cancro del retto III

Prove cliniche su Come materiale di formazione per il modello di deep learning.

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Georgia

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

3
Sottoscrivi