人工知能を介した膵臓嚢胞性病変のがんの予測
2025年4月30日 更新者：Centre Hospitalier Universitaire de Nice
膵臓嚢胞性病変の悪性変性予測の深い学習 - リスクの高い柱頭を超えて
この国際的な多施設レトロスペクティブ研究は、膵臓病変の悪性変換を特定するための深い学習（DL）ベースの予測モデルを開発し、現在の臨床ガイドラインを改善することを目的としています。
このモデルは、臨床、生化学、およびマルチモーダルイメージングデータを統合します。
いくつかの3D畳み込みニューラルネットワークは、高度な前処理、データ増強、およびハイブリッド融合技術を使用してトレーニングされます。
モデルのパフォーマンスは、既存の国際ガイドラインのパフォーマンスと比較されます。
この研究には、患者の追加手順は含まれておらず、データの匿名化とプライバシー規制を厳密に順守しています。
調査の概要
研究の種類
観察的
入学 (推定)
250
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究連絡先
- 名前：Andrea CHIERICI
- 電話番号：+33 0634799833
- メール：chierici.ap@chu-nice.fr
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
いいえ
サンプリング方法
確率サンプル
調査対象母集団
癌の術前証拠がない場合、膵臓嚢胞性病変の膵臓手術を受けた患者。
手術の兆候は、膵臓病変の管理に関する1つ以上の現在のガイドラインに基づいている必要があります。
説明
包含基準：
- 参加者センターの1つで膵臓手術を受けたPCLと診断された患者。 外科的適応症は、臨床、生化学、および放射線（MRおよび/またはEU）の特徴に基づいて、PCLS管理に関する現在のガイドラインの少なくとも1つに準拠する必要があります（6）。
- PCLS管理に関する現在のガイドラインに続いて、嚢胞の悪性変性のリスクが増加すると思われる想定される膵臓手術b83がパフォーマンスしました（6）。
- 膵臓手術における膵臓癌の臨床的、生化学的、放射線学的、および解剖学的病理学的証拠の欠如。
- 含まれている患者による匿名のデータ処理への非対処。
除外基準：
- 手術時に膵臓癌の証拠を呈する患者。
- PCL（S）診断と治療は、EUSと膵MRの間で実行されませんでした。現在のガイドラインによって提案された基準がない場合に行われた手術。
- 術前EUと膵臓MRデータの両方が利用できません。
- 術後PCL（S）の解剖学的分析の結果が利用できない。
- CTスキャンなしで実行されたSBO診断。
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
PCLS患者
膵臓嚢胞性病変管理に関する現在のガイドラインに従って、臨床、生化学、および/または放射線学的特徴に基づいて、悪性変性のリスクが高い膵臓嚢胞性病変のために行われた膵臓回復手術が行われました。
|
膵臓嚢胞性病変管理に関する現在のガイドラインに従って、臨床、生化学、および/または放射線学的特徴に基づいて、悪性変性のリスクが高い膵臓嚢胞性病変のために行われた膵臓回復手術が行われました。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
膵嚢胞性病変の悪性変性の予測
時間枠：患者の退院から90日。
|
臨床、生化学、および放射線学的特徴に基づいた人工知能モデルを使用して、膵臓嚢胞性病変における悪性変性（高グレード異形成、in situ PADC、またはT1 PADC）の存在を予測します。
これは、受信機オペレーター特性曲線（AUROC）ロバの下の面積を介して測定されます。
Aurocは0.5〜1の間で変化し、クラスの分離容量と完全なクラス分離能力にそれぞれ対応します。
|
患者の退院から90日。
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
パフォーマンス評価の精度
時間枠：患者の退院から90日。
|
すべての予測の中で真のポジティブと真のネガティブの数。
0（正しい予測なし）から1（完全な正しい予測）の間で変化します。
|
患者の退院から90日。
|
|
パフォーマンス評価の精度
時間枠：患者の退院から90日。
|
真の肯定的な数をすべての肯定的な予測（真の陽性と偽陽性）で割ったものを割った。
0（正しい予測なし）から1（完全な正しい予測）の間で変化します。
|
患者の退院から90日。
|
|
パフォーマンス評価のリコール
時間枠：患者の退院から90日。
|
真の正の数をデータセット内の実際の正のインスタンス（真の陽性と偽陰性）で割ったもの。
0（正しい予測なし）から1（完全な正しい予測）の間で変化します。
|
患者の退院から90日。
|
|
バランスの取れた精度
時間枠：患者の退院から90日。
|
感度と特異性の動脈平均。
0（正しい予測なし）から1（完全な正しい予測）の間で変化します。
|
患者の退院から90日。
|
|
F1スコア
時間枠：患者の退院から90日。
|
精度とリコールを組み合わせます。
0〜100％の範囲であり、F1スコアが高いほど品質分類器が優れています。
|
患者の退院から90日。
|
|
混乱マトリックス
時間枠：患者の退院から90日。
|
真の陽性、偽陽性、真のネガ、および偽陰性の視覚的表現。
それはテーブルを通して描かれています。
|
患者の退院から90日。
|
|
ログロス
時間枠：患者の退院から90日。
|
予測の確率が対応する実際の/真の値（バイナリ分類の場合は0または1）にどれだけ近いかを示します。
予測される確率が実際の値から分岐するほど、ログロス値が高くなります。
|
患者の退院から90日。
|
|
コーエンのカッパ
時間枠：患者の退院から90日。
|
分類モデルのパフォーマンスを測定するための便利なツールとなる2人の評価者間の一致レベルを測定するために使用されるメトリック。
それは、評価者がたまたま偶然いくつかの項目に同意するかもしれないという事実を説明しています。
0（正しい予測なし）から1（完全な正しい予測）の間で変化します。
|
患者の退院から90日。
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (推定)
2025年6月1日
一次修了 (推定)
2026年6月1日
研究の完了 (推定)
2026年12月31日
試験登録日
最初に提出
2025年4月24日
QC基準を満たした最初の提出物
2025年4月30日
最初の投稿 (実際)
2025年5月2日
学習記録の更新
投稿された最後の更新 (実際)
2025年5月2日
QC基準を満たした最後の更新が送信されました
2025年4月30日
最終確認日
2025年4月1日
詳しくは
本研究に関する用語
その他の研究ID番号
- 25Chirdig01
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
いいえ
米国FDA規制機器製品の研究
いいえ
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。