Ontwikkeling van een op MRI gebaseerd deep learning-model om de MMR-status te voorspellen
Ontwikkeling van een op MRI gebaseerd deep learning-model om de MMR-status van endometriumcarcinoom te voorspellen
Om een handige, goedkope en uitgebreide methode te ontwikkelen om dMMR preoperatief te voorspellen en het aantal mensen dat dMMR-gerelateerde immunohistochemische of genetische tests nodig heeft na een operatie te verminderen, heeft deze studie tot doel een deep learning-model op te zetten op basis van MRI om de MMR-status van endometriumkanker. Patiënten bij wie na de operatie endometriumkanker was vastgesteld en die vóór de operatie een bekken-MRI hadden ondergaan, werden verzameld. Deep learning werd gebruikt om het klinische model te combineren met MR-beeldgegevens om het model te bouwen. ROC-curven werden geconstrueerd voor de testgroep, interne verificatiegroep en externe verificatiegroep, en het gebied onder ROC-curven werd berekend om het diagnostisch effect en de stabiliteit van het model te evalueren.
De triagestrategie met dubbele drempel werd gebruikt om de pMMR-populatie (onder de onderste drempel), de dMMR-populatie (boven de bovenste drempel) en het onzekere deel van de populatie (tussen de drempels) uit te screenen.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
In deze studie werden patiënten met de diagnose endometriumkanker na een operatie en die vóór de operatie een bekken-MRI hadden ondergaan, verzameld van 2017 tot 2022. Het zal naar verwachting 500 gevallen in ons ziekenhuis verzamelen, die zijn onderverdeeld in 375 gevallen (experimentele groep) en 125 gevallen (interne verificatiegroep).
100 gevallen van Sun Yat-sen University Cancer Center voor externe verificatie. Klinische gegevens (leeftijd, geslacht, BMI, CA125, CA19-9, MR-T-stadiëring, immunohistochemische resultaten van MMR-gerelateerde eiwitten) van de onderzoekspopulatie werden verzameld en er werd een logistieke regressieanalyse uitgevoerd om klinische modellen vast te stellen. Extraheer, segmenteer, integreer en verbeter MR-beeldgegevens.
Deep learning werd gebruikt om het klinische model te combineren met MR-beeldgegevens om het model te bouwen. ROC-curven werden geconstrueerd voor de testgroep, interne verificatiegroep en externe verificatiegroep, en het gebied onder ROC-curven werd berekend om het diagnostisch effect en de stabiliteit van het model te evalueren.
De triagestrategie met dubbele drempel werd gebruikt om de pMMR-populatie (onder de onderste drempel), de dMMR-populatie (boven de bovenste drempel) en het onzekere deel van de populatie (tussen de drempels) uit te screenen. Als de voorspellende score boven de onderste drempel ligt, wordt de patiënt geadviseerd om verdere immunohistochemische of genetische tests te ondergaan om de MMR-status of het dMMR-type te bevestigen
Studietype
Inschrijving (Verwacht)
Contacten en locaties
Studiecontact
- Naam: Jing Li
- Telefoonnummer: 15915893493
- E-mail: lijing228@mail.sysu.edu.cn
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten met de diagnose endometriumkanker na een operatie en die van 2017 tot 2022 een bekken-MRI hadden ondergaan vóór de operatie
Uitsluitingscriteria:
- (1) Er was geen immunohistochemisch detectieresultaat van MMR-gerelateerd eiwit; (2) Radiotherapie en chemotherapie vóór MRI; (3) kleine tumoren die moeilijk te identificeren zijn op de afbeelding (<5 mm); (4) De T2-gewogen beeldkwaliteit is onvoldoende om ROI te plotten, zoals duidelijke bewegingsartefacten; (5) Er zijn andere gynaecologische maligniteiten
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Groep testen
375 patiënten van ons hosipital, willekeurig verdeeld.
|
500 patiënten van ons ziekenhuis werden willekeurig verdeeld in een testgroep en een interne validatiegroep, en 100 patiënten in een samenwerkend ziekenhuis waren een externe validatiegroep.
|
|
Interne validatiegroep
125 patiënten van ons hosipital, willekeurig verdeeld.
|
500 patiënten van ons ziekenhuis werden willekeurig verdeeld in een testgroep en een interne validatiegroep, en 100 patiënten in een samenwerkend ziekenhuis waren een externe validatiegroep.
|
|
Externe validatiegroep
100 patiënten van het Sun Yat-sen University Cancer Center
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gebied onder de bedrijfskarakteristiek van de ontvanger (AUROC)
Tijdsspanne: een jaar
|
Het gebied onder de receiver operating Characteristic Curve (AUROC) werd gebruikt om de prestaties van de modellen te evalueren
|
een jaar
|
Medewerkers en onderzoekers
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Studie record data
Bestudeer belangrijke data
Studie start (Verwacht)
Primaire voltooiing (Verwacht)
Studie voltooiing (Verwacht)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SYSKY-2023-084-01
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .