췌관 선암종에서 종양-기질 비율의 감별
2024년 3월 7일 업데이트: Liao Hongfan, First Affiliated Hospital of Chongqing Medical University
췌장관 선암종의 종양-기질 비율을 구별하기 위한 Self-attention 메커니즘과 결합된 하나의 새로운 전이 학습 기반 CLIP 모델: 다기관 후향적 코호트 연구
본 연구에서는 수술 전 이중상 CT 영상을 사용하여 췌관 선암종(PDAC)의 종양-기질 비율(TSR)을 예측하기 위한 새로운 전이 학습 기반 대조 언어-이미지 사전 훈련 어댑터(CLIP 어댑터) 모델을 소개합니다.
주요 목표는 위험 계층화 및 맞춤형 치료 계획을 위한 효율적이고 접근 가능한 도구를 개발하는 것입니다.
연구 개요
상태
모집하지 않고 적극적으로
정황
상세 설명
제안된 새로운 CLIP 어댑터(Contrastive Language-Image Pretraining-Adapter) 모델은 전이 학습, CLIP 프레이밍 및 PDAC에서 TSR을 예측하기 위한 self-attention 메커니즘을 활용하여 낮은 TSR PDAC와 높은 TSR PDAC를 구별하는 데 높은 성능을 나타냅니다. 테스트 코호트.
우리는 CLIP 어댑터 모델이 단상 모델, 특히 동맥 또는 정맥 위상 이미지만을 기반으로 한 CLIP 모델보다 성능이 뛰어났다고 추측했습니다.
기능 융합 모듈을 추가하면 모델의 차별화 능력이 향상되어 단상 모델에 비해 우수함을 강조할 수 있습니다.
게다가 우리가 설계한 모델은 네트워크 훈련 중에 이미지에만 초점을 맞추는 대신 이미지와 텍스트 정보를 모두 활용했습니다.
이는 위험 계층화 및 맞춤형 치료 계획에 기여할 수 있는 잠재력과 함께 PDAC 영상 평가에서 종합적인 평가의 중요성을 강조합니다.
연구 유형
관찰
등록 (실제)
207
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
확률 샘플
연구 인구
충칭 의과대학 제1부속병원(FAHCQMU), 육군 의과대학 다핑병원(DPHAMU), 충칭 의과대학 제3부속병원(TAHCQMU) 등 3개의 독립4 병원에서 총 207명의 환자가 선택되었습니다.
설명
포함 기준:
- 수술적 절제를 통해 병리학적으로 입증된 PDAC 환자
- 수술 전 1개월 이내에 CT검사를 받은 환자
- 사용 가능한 이미지에서 관찰 가능한 췌장 병변.
제외 기준:
- CT 스캔 전 항암치료
- 이미지에서 눈에 띄는 간섭이나 심각한 동작 왜곡이 발견됨
- 부분적인 임상 데이터
- 수술 전 간 전이 또는 복막 암종증이 있는 환자.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
낮은 TSR 및 높은 TSR 그룹
종양-기질 비율(TSR)의 평가에는 종양 및 간질 구성성분의 백분율을 측정하는 것이 포함되었습니다.
이전 연구에 따르면 5/5는 TSR 측정의 이상적인 임계값으로 간주되었습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
딥러닝 알고리즘을 이용한 췌관 선암종의 진단 AUC 값.
기간: 일년
|
AUC=(민감도+특이도)-1
|
일년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
딥러닝 알고리즘을 이용한 췌관선암종의 진단 정확도.
기간: 일년
|
딥러닝 알고리즘을 이용한 췌관선암종의 진단 정확도.
|
일년
|
|
딥러닝 알고리즘을 이용한 췌관선암종의 진단 민감도.
기간: 일년
|
딥러닝 알고리즘을 이용한 췌관선암종의 진단 민감도.
|
일년
|
|
딥러닝 알고리즘을 이용한 췌관선암의 진단 특이성.
기간: 일년
|
딥러닝 알고리즘을 이용한 췌관선암의 진단 특이성.
|
일년
|
|
딥러닝 알고리즘을 이용한 췌관선암의 진단적 양성예측도.
기간: 일년
|
딥러닝 알고리즘을 이용한 췌관선암의 진단적 양성예측도.
|
일년
|
|
딥러닝 알고리즘을 이용한 췌관 선암의 진단 음성 예측도.
기간: 일년
|
딥러닝 알고리즘을 이용한 췌관 선암의 진단 음성 예측도.
|
일년
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2013년 1월 1일
기본 완료 (실제)
2022년 7월 1일
연구 완료 (추정된)
2024년 3월 1일
연구 등록 날짜
최초 제출
2024년 2월 29일
QC 기준을 충족하는 최초 제출
2024년 3월 7일
처음 게시됨 (실제)
2024년 3월 12일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2024년 3월 12일
QC 기준을 충족하는 마지막 업데이트 제출
2024년 3월 7일
마지막으로 확인됨
2024년 2월 1일
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- liaohongfan
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
미정
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .