Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Gebruik van deep learning-methoden om geautomatiseerde echografie van de borsten en echografiebeelden in de hand te analyseren, om een ​​diagnose-, therapiebeoordelings- en prognosevoorspellingsmodel van borstkanker vast te stellen.

12 januari 2022 bijgewerkt door: Song Hongping, The First Affiliated Hospital of the Fourth Military Medical University

Een nauwkeurig diagnose-, therapiebeoordelings- en prognosevoorspellingsmodel van borstkanker bouwen en evalueren op basis van kunstmatige intelligentie

Het doel van deze studie is het gebruik van een deep learning-methode om de geautomatiseerde borst echografie (ABUS) en hand-held echografie (HHUS) beelden te analyseren, een diagnose, therapiebeoordeling en prognosevoorspellingsmodel van borstkanker vast te stellen en te evalueren. Het model zou belangrijke referenties bieden voor verdere vroege preventie, vroege diagnose en gepersonaliseerde behandeling.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

  1. Opzetten van een database Door het verzamelen van ABUS-, HHUS- en uitgebreide borstbeeldgegevens, essentiële informatie, klinische behandelingsinformatie, prognose en curatieve effectinformatie, wordt een complete borstbeelddatabase opgebouwd.
  2. ABUS-beelden markeren Drie artsen gebruiken een semi-automatische methode om de laesies op het beeld te kaderen.
  3. Het model bouwen De deep learning-methode gebruiken om de gemarkeerde beelden voor te verwerken, te analyseren en te trainen, en uiteindelijk een modeldiagnose, werkzaamheidsevaluatie en prognosevoorspellingsmodel van borstkanker te krijgen.
  4. Het model evalueren 1）Zelfvalidatie： Analyseer de gevoeligheid, AUC van het borstkankerdiagnosemodel en het vals-positieve getal op elk ABUS-volume.

2) De gevoeligheid, AUC en het fout-positieve getal vergeleken met een commercieel diagnosemodel.

3) Testen van de screening en diagnostische doeltreffendheid van computerondersteunde diagnosesystemen door middel van prospectieve of retrospectieve studies.

4) Door de grootte en kenmerken van de laesies na neoadjuvante chemotherapie te analyseren en de OS- en DFS-tijd te voorspellen, werden de therapiebeoordeling en het prognosevoorspellingsmodel geëvalueerd.

Studietype

Observationeel

Inschrijving (Verwacht)

10000

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

  • China
    • Shaanxi
      • Xi'an, Shaanxi, China, 710000
        • Werving
        • The First Affiliated Hospital of Fourth Military Medical University

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar en ouder (VOLWASSEN, OUDER_ADULT)

Accepteert gezonde vrijwilligers

Ja

Geslachten die in aanmerking komen voor studie

Vrouw

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Vrouwelijke patiënten ouder dan 18 jaar uit twee landen (China en Korea).

Beschrijving

Inclusiecriteria:

  1. Vrouwelijke patiënten ouder dan 18 jaar die naar de twee centra komen voor lichamelijk onderzoek of behandeling;
  2. Volledige basisinformatie en beeldgegevens

Uitsluitingscriteria:

  1. Er zijn geen volledige ABUS- en HHUS-afbeeldingsgegevens;
  2. De beeldkwaliteit is slecht;
  3. Bij multifocale borstkanker is de correlatie tussen de tumor in beeld en het postoperatieve pathologische onderzoek onzeker.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
kwaadaardige groep
vrouwen met kwaadaardige laesies bevestigd door pathologie
Diagnostische toets: ABUS en HHUS
Gebruik van een deep learning-methode om de kenmerken van geautomatiseerde echografie van de borst en draagbare echografiebeelden te analyseren en te extraheren
goedaardige groep
vrouwen met goedaardige laesies bevestigd door pathologie of stabiel in follow-up > 2 jaar
Diagnostische toets: ABUS en HHUS
Gebruik van een deep learning-methode om de kenmerken van geautomatiseerde echografie van de borst en draagbare echografiebeelden te analyseren en te extraheren
normale groep
vrouwen hebben normale beelden met follow-up > 2 jaar
Diagnostische toets: ABUS en HHUS
Gebruik van een deep learning-methode om de kenmerken van geautomatiseerde echografie van de borst en draagbare echografiebeelden te analyseren en te extraheren

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
gevoeligheid
Tijdsspanne: 4 jaar
Percentage gecorrigeerde gemarkeerde kwaadaardige laesies door het model
4 jaar
vals-positief per volume
Tijdsspanne: 4 jaar
het aantal niet-gecorrigeerde, gemarkeerde kwaadaardige laesies door het model
4 jaar
gebied onder de curve
Tijdsspanne: 4 jaar
gebied onder receiver operating Characteristic (ROC)-curve in procenten (%)
4 jaar
totale overlevingstijd (OS).
Tijdsspanne: tot 10 jaar
Het meet de tijd vanaf de datum van de diagnose van kanker tot elke doodsoorzaak.
tot 10 jaar
Ziektevrije overlevingstijd (DFS).
Tijdsspanne: tot 5 jaar
De tijd dat de patiënt na de behandeling vrij is van de tekenen en symptomen van een ziekte.
tot 5 jaar

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

The First Affiliated Hospital of the Fourth Military Medical University

Medewerkers

Seoul National University Bundang Hospital
Xidian University
Shenzhen University

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (WERKELIJK)

1 februari 2020

Primaire voltooiing (VERWACHT)

1 september 2024

Studie voltooiing (VERWACHT)

1 september 2024

Studieregistratiedata

Eerst ingediend

12 februari 2020

Eerst ingediend dat voldeed aan de QC-criteria

13 februari 2020

Eerst geplaatst (WERKELIJK)

17 februari 2020

Updates van studierecords

Laatste update geplaatst (WERKELIJK)

27 januari 2022

Laatste update ingediend die voldeed aan QC-criteria

12 januari 2022

Laatst geverifieerd

1 januari 2022

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • AI-Breast-US

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

ONBESLIST

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Ja

product vervaardigd in en geëxporteerd uit de V.S.

Ja

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Klinische onderzoeken op Borstkanker

Klinische onderzoeken op ABUS en HHUS

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in China

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

3
Abonneren