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

Pathologische classificatie van longknobbeltjes in afbeeldingen met behulp van deep learning

23 januari 2022 bijgewerkt door: Haiyu Zhou, Jiangxi Provincial Cancer Hospital

Pathologische classificatie van longknobbeltjes van grove beelden van tumoren met behulp van deep learning

Deze studie had tot doel een deep-learning model te ontwikkelen om longknobbels automatisch te classificeren op basis van witlichtbeelden en om de prestaties van het model te evalueren. Bovendien zou met behulp van dit model een geschikte operatie kunnen worden gekozen, wat de operatietijd zou kunnen verkorten.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Diagnostische toets: grof pathologisch op foto's gebaseerd deep learning-model

Gedetailleerde beschrijving

Alle witlichtfoto's van longknobbeltjes van telefoons van pathologisch bevestigd adenocarcinoom in situ (AIS), minimaal invasief adenocarcinoom (MIA) en invasief adenocarcinoom (IAC) werden retrospectief verzameld van opeenvolgende patiënten die een operatie ondergingen tussen 30 juni 2020 en 15 september. 2021 in het Guangdong Provincial People's Hospital. Ten slotte werden in totaal 1037 witlichtbeelden van 973 personen in het onderzoek opgenomen. De volledige dataset werd verdeeld in trainings- en testdatasets, die elkaar uitsloten, met behulp van willekeurige steekproeven. Hiervan werden 830 afbeeldingen gebruikt als trainingsdataset en 104 afbeeldingen van werden gebruikt als testdataset. Het CNN-model werd gebruikt bij het classificeren van afbeeldingen, namelijk Resnet-50. Voor het CNN-model werd een vooraf getraind model met de ImageNet-gegevensset overgenomen met behulp van overdrachtsleren. Na het construeren van de CNN-modellen met behulp van de trainingsdataset, werden de prestaties van de modellen geëvalueerd met behulp van de testdataset en de prospectieve validatiedataset.

Studietype

Observationeel

Inschrijving (Verwacht)

2000

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

Naam: Haiyu Zhou
Telefoonnummer: +8613710342002
E-mail: lungcancer@163.com

Studie Contact Back-up

Naam: Shaowei Wu
Telefoonnummer: +8613411965219
E-mail: shaoweiwu0401@gmail.com

Studie Locaties

China
- Guangdong
  - Guangzhou, Guangdong, China, 510000
    - Werving
    - Guagndong Provincial People's Hospital
    - Contact:
      
      Haiyu Zhou, PhD
      
      Telefoonnummer: *8613710342002
      
      E-mail: lungcancer@163.com
- Jiangxi
  - Nanchang, Jiangxi, China, 330000
    - Werving
    - Jiangxi Cancer Hospital

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 tot 80 jaar (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten in het Provinciaal Volksziekenhuis van Guangdong van 30 juni 2020 tot 15 september 2021.

Beschrijving

Inclusiecriteria:

Man of vrouw, 18 jaar en ouder.
Patiënten hebben geen therapie ondergaan.
De longknobbeltjes werden bevestigd als AIS, MIA of IAC.
De afmetingen van longknobbeltjes waren minder dan 3 cm.
De afbeeldingen waren in jpg-formaat.

Uitsluitingscriteria:

Lijden aan een andere tumorziekte voor of tegelijkertijd.
Afbeeldingen van slechte kwaliteit of lage resolutie waardoor een juiste classificatie onmogelijk was.

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

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
1. Pathologisch subtype Tijdsspanne: door afronding van de studie, gemiddeld 2 jaar	Volgens de WHO-classificatie van longtumoren in 2020 classificeert deze studie longtumoren in adenocarcinoom in situ (AIS), minimaal invasief adenocarcinoom (MIA) en invasief adenocarcinoom (IAC). We zouden de rapporten van het pathologische type longknobbeltjes na de operatie verzamelen.	door afronding van de studie, gemiddeld 2 jaar
Gebied onder de curve (AUC) Tijdsspanne: door afronding van de studie, gemiddeld 2 jaar	Het gebied onder de ROC-curve was gebaseerd op de voorspellingsefficiëntie van het model	door afronding van de studie, gemiddeld 2 jaar

Medewerkers en onderzoekers

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

Sponsor

Jiangxi Provincial Cancer Hospital

Medewerkers

Guangdong Provincial People's Hospital

Onderzoekers

Hoofdonderzoeker: Haiyu Zhou, Guangdong Provincial People's 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 2020

Primaire voltooiing (Verwacht)

1 juni 2022

Studie voltooiing (Verwacht)

1 januari 2023

Studieregistratiedata

Eerst ingediend

5 januari 2022

Eerst ingediend dat voldeed aan de QC-criteria

23 januari 2022

Eerst geplaatst (Werkelijk)

3 februari 2022

Updates van studierecords

Laatste update geplaatst (Werkelijk)