Deep Learning Magnetic Resonance Imaging Radiomics voor diagnostische waarde van levertumoren bij zuigelingen
22 december 2021 bijgewerkt door: Yuhan Yang, West China Hospital
Levertumoren in de perinatale periode gaan gepaard met significante morbiditeit en mortaliteit bij getroffen patiënten.
Het conventionele diagnostische hulpmiddel, zoals alfa-fetoproteïne (AFP), heeft een beperkte waarde bij de diagnose van infantiele levertumoren.
Deze retrospectief-prospectieve studie is gericht op het evalueren van de diagnostische efficiëntie van het deep learning-systeem door analyse van magnetische resonantiebeeldvorming (MRI) -beelden vóór de initiële behandeling.
Studie Overzicht
Toestand
Werving
Interventie / Behandeling
Gedetailleerde beschrijving
Levertumoren komen zelden voor in de perinatale periode.
Ze vormen ongeveer 5% van de totale neoplasmata van verschillende typen die voorkomen bij de foetus en de pasgeborene.
Infantiel hemangio-endothelioom is de belangrijkste primaire levertumor, gevolgd door hepatoblastoom.
Opgemerkt moet worden dat alfa-fetoproteïne (AFP) zelfs bij normale zuigelingen sterk verhoogd is gedurende de eerste paar maanden na de geboorte, waardoor de diagnostische waarde van AFP beperkt is voor infantiele patiënten met levertumoren.
Deze studie is een retrospectief-prospectief ontwerp van het West China Hospital, Sichuan University, inclusief klinische gegevens en radiologische beelden.
Er werd een retrospectieve database geregistreerd voor patiënten met een definitieve histologische diagnose en beschikbare MRI-beelden (magnetic resonance imaging) van juni 2010 en december 2020.
De onderzoekers hebben op dit retrospectieve cohort een deep learning radiomics diagnostisch model gebouwd en intern gevalideerd.
Een prospectief cohort zou infantiele patiënten rekruteren die sinds januari 2021 als levertumor zijn gediagnosticeerd.
Het voorgestelde deep learning-model zou ook extern worden gevalideerd in dit toekomstige cohort.
Het gevestigde model zou de diagnose van levertumor bij zuigelingen kunnen helpen.
Studietype
Observationeel
Inschrijving (Verwacht)
200
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
-
-
Sichuan
-
Chendu, Sichuan, China, 610041
- Werving
- West China Hospital, Sichuan 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
1 seconde tot 1 jaar (Kind)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Patiënten die een levertumor hadden en het abdominale MRI-onderzoek voltooiden vóór operatie, biopsie, neoadjuvante chemotherapie en radiotherapie.
Beschrijving
Inclusiecriteria:
- Leeftijd tussen pasgeboren en 12 maanden
- Geen behandeling ontvangen vóór de diagnose
- Met schriftelijke geïnformeerde toestemming
Uitsluitingscriteria:
- Klinische gegevens ontbreken
- Niet beschikbare MRI-beelden
- Zonder schriftelijke geïnformeerde toestemming
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
- Observatiemodellen: Cohort
- Tijdsperspectieven: Ander
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Retrospectief cohort
Het interne cohort werd vanaf juni 2010 en december 2020 met terugwerkende kracht ingeschreven in het West China Hospital, Sichuan University.
Het is een cohort voor training en interne validatie.
|
Verschillende radiomische, machine learning- en deep learning-strategieën voor het extraheren van radiomische kenmerken, het sorteren van kenmerken en modelvernauwing.
|
|
Toekomstig cohort
Voor hetzelfde centrum werden prospectief dezelfde in- en uitsluitingscriteria toegepast.
Het is een extern validatiecohort.
|
Verschillende radiomische, machine learning- en deep learning-strategieën voor het extraheren van radiomische kenmerken, het sorteren van kenmerken en modelvernauwing.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De diagnostische nauwkeurigheid van infantiele levertumoren met deep learning-algoritme
Tijdsspanne: 1 maand
|
De diagnostische nauwkeurigheid van infantiele levertumoren met deep learning-algoritme.
|
1 maand
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De diagnostische gevoeligheid van infantiele levertumoren met deep learning-algoritme
Tijdsspanne: 1 maand
|
De diagnostische gevoeligheid van infantiele levertumoren met deep learning-algoritme.
|
1 maand
|
|
De diagnostische specificiteit van infantiele levertumoren met een algoritme voor diep leren
Tijdsspanne: 1 maand
|
De diagnostische specificiteit van infantiele levertumoren met een algoritme voor diep leren.
|
1 maand
|
|
De diagnostisch positief voorspellende waarde van infantiele levertumoren met deep learning algoritme
Tijdsspanne: 1 maand
|
De diagnostisch positief voorspellende waarde van infantiele levertumoren met deep learning algoritme.
|
1 maand
|
|
De diagnostische negatief voorspellende waarde van infantiele levertumoren met deep learning algoritme
Tijdsspanne: 1 maand
|
De diagnostische negatief voorspellende waarde van infantiele levertumoren met deep learning algoritme.
|
1 maand
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
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 januari 2021
Primaire voltooiing (Verwacht)
31 december 2023
Studie voltooiing (Verwacht)
31 december 2023
Studieregistratiedata
Eerst ingediend
8 december 2021
Eerst ingediend dat voldeed aan de QC-criteria
22 december 2021
Eerst geplaatst (Werkelijk)
27 december 2021
Updates van studierecords
Laatste update geplaatst (Werkelijk)
27 december 2021
Laatste update ingediend die voldeed aan QC-criteria
22 december 2021
Laatst geverifieerd
1 december 2021
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- HX2021-345
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Nee
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
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 .