이 페이지는 자동 번역되었으며 번역의 정확성을 보장하지 않습니다. 참조하십시오 영문판 원본 텍스트의 경우.

감별 양성 및 악성 췌장 병변 (D)

2024년 10월 12일 업데이트: Liao Hongfan, First Affiliated Hospital of Chongqing Medical University

MVIT-MLKA 모델을 사용한 양성 및 악성 췌장 병변 분류의 정확성 향상: 종합 평가 및 비교 연구

CNN과 Transformer를 결합한 복잡한 아키텍처를 갖춘 MVIT-MLKA 모델은 이미지 특징 추출 및 장거리 종속성 캡처에 탁월합니다. 이를 통해 병변 감지 및 분류 작업에 강력한 적응성과 견고성을 제공합니다. 기존 기계 학습 방법 및 기타 딥 러닝 모델과 비교하여 MVIT-MLKA는 정확성, 민감도 및 특이성 측면에서 더 나은 성능을 발휘할 뿐만 아니라 관찰자 간 변동성을 줄여 의사 간의 진단 일관성을 향상시키는 데 도움이 됩니다.

이 모델은 외부 데이터 세트의 성능에 약간의 변동을 보였지만 여전히 전체적으로 다른 모델보다 성능이 뛰어나며 임상 적용에 상당한 잠재력을 가지고 있습니다. 일반화 기능을 개선하기 위한 추가 최적화를 통해 MVIT-MLKA는 양성 및 악성 병변을 진단하는 강력한 도구가 되어 임상 실습에서 보다 일관되고 정확한 지원을 제공할 수 있습니다.

연구 개요

상태

완전한

정황

개입 / 치료

상세 설명

양성 췌장 병변과 악성 췌장 병변을 정확하게 구별하는 것은 환자 관리에 매우 중요합니다. 이 연구의 목표는 양성 및 악성 췌장 병변을 예측하기 위해 기본 컴퓨터 단층 촬영 이미지를 사용하여 새로운 딥 러닝 네트워크를 개발하고 검증하는 것입니다. 3개 의료 센터에 대한 이 후향적 연구는 훈련 코호트, 내부 테스트 코호트 및 외부 검증 코호트로 구성되었습니다. 췌장 병변을 분류하기 위해 CNN과 Transformer 아키텍처를 통합한 새로운 하이브리드 모델인 MVIT-MLKA(Multi-Scale Large Kernel Attention with Mobile Vision Transformer)가 개발되었습니다. 모델의 성능을 기존의 머신러닝 및 딥러닝 방법과 비교했습니다. 또한 최적의 모델 지원 유무에 관계없이 방사선 전문의의 진단 정확도를 평가했습니다. MVIT-MLKA 모델은 췌장 병변 예측에 대한 탁월한 성능을 보여 기존 모델과 표준 CNN 및 Transformer보다 성능이 뛰어났습니다. MVIT-MLKA 모델의 도움을 받은 방사선 전문의는 모델 지원을 받지 않은 환자에 비해 진단 성능이 크게 향상되었으며 정확성과 민감도가 모두 눈에 띄게 향상되었습니다. Grad-CAM 시각화를 통해 모델 해석 가능성이 향상되어 핵심 병변 영역을 효과적으로 강조 표시합니다. MVIT-MLKA 모델은 양성 췌장 병변과 악성 췌장 병변을 효과적으로 구별하여 기존 방법을 능가하고 방사선 전문의의 성과를 향상시킵니다. 이는 고급 딥러닝 모델을 임상 실습에 통합하면 진단 오류를 줄이고 임상 실습에서 치료 전략을 최적화할 수 있는 잠재력이 있음을 시사합니다.

연구 유형

관찰

등록 (실제)

864

연락처 및 위치

이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.

연구 장소

    • Chongqing
      • Chongqing, Chongqing, 중국, 400016
        • The First Affiliated Hospital of Chongqing Medical University

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

  • 성인
  • 고령자

건강한 자원 봉사자를 받아들입니다

아니

샘플링 방법

확률 샘플

연구 인구

모든 사람들은 충칭 지역의 3개 의료 센터에서 선발되었습니다.

설명

포함 기준:

악성 췌장 병변이 있는 모든 환자는 제8차 미국 암 합동 위원회 TNM 병기 결정 시스템에 따라 조직병리학을 확인했습니다[25]. 병변이 조직병리학적으로 확인되었거나 CT 또는 MRI 영상에서 최소 1년 동안 추적 관찰한 결과 안정성이 있는 양성 특성을 나타내는 경우 양성으로 분류되었습니다. (2) 환자는 수술 전 복부 조영증강 CT 스캔을 받았습니다. (3) CT 촬영 전 항종양 치료를 실시하지 않은 경우

제외 기준:

(1) 심각한 운동 인공물 또는 기타 영상 문제가 있는 환자; (2) CT 스캔과 후속 수술 사이의 시간 간격이 1개월 이상입니다. (3) 최대 직경이 10mm 미만인 종양.

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
개입 / 치료
양성과 악성

양성 병변 그룹: 이 코호트에는 췌장 낭종이나 신경내분비 종양과 같은 양성 췌장 병변으로 진단받은 환자가 포함됩니다. 이러한 환자들은 일반적으로 수술이나 화학 요법과 같은 공격적인 치료가 필요하지 않으며 정기적인 모니터링과 비침습적 중재를 통해 관리됩니다. 병리학적 확인 또는 진행 없이 최소 1년 이상의 추적 관찰에 따른 안정성을 사용하여 병변을 양성으로 분류합니다.

악성 병변 그룹: 이 코호트는 췌장 관 선암종(PDAC)과 같은 악성 췌장 병변으로 진단된 환자로 구성됩니다. 이러한 환자들은 종종 수술, 화학요법, 방사선요법을 포함한 보다 공격적인 치료 옵션이 필요합니다. 병변의 악성 여부는 조직병리학적 분석을 통해 확인하고, 코호트는 종양의 성장과 진행이 뚜렷한 증거가 있는 사례에 초점을 맞춥니다.

일반적으로 췌장암, 특히 췌장 머리 부분에 위치한 종양 치료에 사용됩니다.

연구는 무엇을 측정합니까?

주요 결과 측정

결과 측정
측정값 설명
기간
전체 생존 시간
기간: 1년
본 연구의 주요 결과 척도는 초기 수술 날짜부터 모든 원인으로 인한 사망 날짜 또는 마지막 추적 관찰 날짜까지 계산된 전체 생존율(OS)이었습니다.
1년

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)

2022년 1월 11일

기본 완료 (실제)

2024년 3월 5일

연구 완료 (실제)

2024년 9월 20일

연구 등록 날짜

최초 제출

2024년 10월 12일

QC 기준을 충족하는 최초 제출

2024년 10월 12일

처음 게시됨 (실제)

2024년 10월 15일

연구 기록 업데이트

마지막 업데이트 게시됨 (실제)

2024년 10월 15일

QC 기준을 충족하는 마지막 업데이트 제출

2024년 10월 12일

마지막으로 확인됨

2024년 10월 1일

추가 정보

이 연구와 관련된 용어

개별 참가자 데이터(IPD) 계획

개별 참가자 데이터(IPD)를 공유할 계획입니까?

아니요

IPD 계획 설명

우리는 요청 시 자격을 갖춘 연구자에게 IPD를 제공할 계획입니다. 이는 윤리적 승인과 관련 데이터 보호 규정을 준수해야 합니다.

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. .

휘플 시술에 대한 임상 시험

구독하다