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

Detectie van blaaskanker met behulp van convolutionele neurale netwerken (BLAInostic)

28 januari 2024 bijgewerkt door: Zealand University Hospital
De onderzoekers streven ernaar om verschillende deep learning-architecturen te experimenteren en te implementeren om nauwkeurigheid op menselijk niveau te bereiken in computerondersteunde diagnosesystemen (CAD). De onderzoekers zijn met name geïnteresseerd in het opsporen van blaastumoren uit CT-urografiescans en cystoscopieën van de blaas in dit project.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

De onderzoekers streven ernaar om verschillende deep learning-architecturen te experimenteren en te implementeren om nauwkeurigheid op menselijk niveau te bereiken in computerondersteunde diagnosesystemen (CAD). De onderzoekers zijn met name geïnteresseerd in het opsporen van blaastumoren uit CT-urografiescans en cystoscopieën van de blaas in dit project. De onderzoekers willen blaastumoren classificeren als kanker, niet-kanker, hooggradig en laaggradig, invasief en niet-invasief, met een hoge gevoeligheid en een laag vals-positief percentage met behulp van verschillende convolutionele neurale netwerken (CNN). Deze taak kan worden beschouwd als de eerste stap in het bouwen van CAD-systemen voor de diagnose van blaaskanker. Door deze taak te automatiseren, vermindert de scan van de onderzoeker bovendien aanzienlijk de tijd die radiologen nodig hebben om grootschalige gelabelde datasets van CT-urografiescans te maken en het aantal fout-negatieven en positieven te verminderen dat kan optreden als gevolg van menselijke evaluatiecystoscopieën.

Studietype

Observationeel

Inschrijving (Geschat)

5000

Contacten en locaties

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

Studiecontact

Studie Locaties

  • Denemarken
      • Roskilde, Denemarken, 4000
        • Werving
        • Zealand University Hospital
        • Contact:
        • Hoofdonderzoeker:
          • Nessn Azawi, Ph.D

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

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Patiënten met micro- of macroscopische hematurie

Beschrijving

Inclusiecriteria:

  • Patiënten met voor het eerst hematurie
  • Patiënten met het controleprogramma voor eerdere blaaskanker

Uitsluitingscriteria:

  • Patiënten met een controlecystoscoop voor een niet-kankerverdachte ziekte

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
Blaastumor opsporen
Patiënten met hematurie of een eerdere blaastumor
Diagnostische toets: Al_blaas
Detectie van blaastumor met behulp van kunstmatige intelligentie

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Standaardtechniek vergelijken met machine learning
Tijdsspanne: 5 jaar
De nauwkeurigheid van machine learning om blaaskanker op te sporen in vergelijking met standaard cystoscopie
5 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Het detecteren van de nauwkeurigheid van subtypes van blaaskanker
Tijdsspanne: 5 jaar
Het vermogen van machine learning om hooggradige blaaskanker te onderscheiden van laaggradige blaaskanker
5 jaar

Medewerkers en onderzoekers

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

Sponsor

Zealand University Hospital

Onderzoekers

  • Hoofdonderzoeker: Nessn Azawi, phd, Zealand University Hospital

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 juni 2021

Primaire voltooiing (Geschat)

1 juni 2026

Studie voltooiing (Geschat)

1 juni 2026

Studieregistratiedata

Eerst ingediend

17 november 2021

Eerst ingediend dat voldeed aan de QC-criteria

14 januari 2022

Eerst geplaatst (Werkelijk)

18 januari 2022

Updates van studierecords

Laatste update geplaatst (Werkelijk)

30 januari 2024

Laatste update ingediend die voldeed aan QC-criteria

28 januari 2024

Laatst geverifieerd

1 januari 2024

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • SJ-905

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 .

Abonneren