Risicostratificatie van orbitale tumoren op basis van MRl en kunstmatige intelligentie
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Hoewel orbitale tumoren minder vaak voorkomen dan andere ooggerelateerde ziekten, kunnen ze uiterst schadelijk zijn voor patiënten. Ze kunnen niet alleen fysieke misvormingen veroorzaken, maar ze kunnen ook leiden tot functionele beperkingen zoals verminderd gezichtsvermogen en beperkte oogbewegingen. Orbitale tumoren kunnen worden gecategoriseerd als goedaardig of kwaadaardig, en er zijn aanzienlijke verschillen in hun biologische gedrag, behandelingsbenaderingen, resultaten en prognose, wat de processen van differentiële diagnose en behandelingsselectie compliceert. Voor kwaadaardige laesies variëren de behandelplannen en de prognose van patiënten als gevolg van de verschillende pathologische typen en stadia. Daarom is er een dringende klinische noodzaak om nauwkeurige diagnostische methoden voor orbitale tumoren te ontwikkelen. Multiparametrische magnetische resonantie beeldvorming (mp-MRI) is momenteel de toonaangevende niet-invasieve beeldvormingstechniek voor het diagnosticeren van orbitale tumoren. Deze studie is gericht op de nauwkeurige diagnose van de risicostratificatie van orbitale tumoren, waarbij gebruik wordt gemaakt van algoritmetechnologie voor kunstmatige intelligentie om de inherente verbinding tussen MRI-beelden en de onderscheidende diagnose van goedaardige en kwaadaardige orbitale tumoren, histologische typen en Ki-67-expressieniveaus van kwaadaardige tumoren te onderzoeken. Het heeft tot doel klinische informatie en kwantitatieve MRI-functies te integreren om voorspellingsmodellen te construeren, te helpen bij het begeleiden van individuele diagnose- en behandelingsbeslissingen voor patiënten met orbitale tumoren en de toepassing en vooruitgang van kunstmatige intelligentietechnologie te vergemakkelijken. Concreet worden de onderzoeksdoelstellingen als volgt omschreven:
- Het opzetten van een op deep learning gebaseerd automatisch segmentatiemodel voor orbitale tumoren met behulp van een MRI-dataset met meerdere sequenties uit meerdere centra, waardoor de tijd die nodig is voor handmatige afbakening wordt verkort en gunstig blijkt te zijn voor daaropvolgende analyse.
- Het ontwikkelen van een model voor het identificeren van kwaadaardige en goedaardige orbitale tumoren met behulp van meerdere machine learning-algoritmen gecombineerd met een MRI-dataset met meerdere sequenties, met als doel preciezere informatie te verschaffen om onderscheid te maken tussen deze twee entiteiten.
- Het construeren van robuuste diagnostische modellen met behulp van machine learning of deep learning-benaderingen met kwantitatieve MRI-kenmerken met meerdere sequenties om het histologische type en de Ki-67-expressieniveaus van kwaadaardige orbitale tumoren te identificeren, met als doel de detectiepercentages en nauwkeurigheid te verbeteren, waardoor risicostratificatie voor patiënten wordt bereikt met kwaadaardige orbitale tumoren.
Studietype
Inschrijving (Werkelijk)
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- De patiënten met orbitale tumoren die van 2015 tot 2022 preoperatieve multiparametrischeMRl (mp-MRl) ondergingen in het Beijing Tongren Hospital.
Uitsluitingscriteria:
- De patiënten zonder preoperatieve multiparametrische MRl (mp-MRl) of duidelijke pathologische diagnose.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Kwaadaardige orbitale tumoren
Patiënten met kwaadaardige orbitale tumoren (lymfoom, melanoom, ...) gediagnosticeerd door pathologische bevestiging.
|
Diagnosemodellen worden opgesteld met behulp van kwantitatieve kenmerken die uit de multiparametrische MRI-beelden worden gehaald en verder worden verwerkt door geschikte deep learning- of machine learning-algoritmen.
|
|
Goedaardige orbitale tumoren
Patiënten met goedaardige orbitale tumoren (caverneus hemangioom, inflammatoire pseudotumor, ...) gediagnosticeerd door pathologische bevestiging.
|
Diagnosemodellen worden opgesteld met behulp van kwantitatieve kenmerken die uit de multiparametrische MRI-beelden worden gehaald en verder worden verwerkt door geschikte deep learning- of machine learning-algoritmen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Het gebied onder de curve van de ontvanger. Kenmerkend voor de diagnostische modellen voor de differentiële diagnose van kwaadaardige en goedaardige orbitale tumoren, hoge en lage graden van histologische typen, en niveaus van Ki-67-expressie bij kwaadaardige tumoren.
Tijdsspanne: Pre-operatie
|
Het gebied onder de ROC-curve wordt berekend door de ROC-curve te integreren, waarbij de gevoeligheid wordt uitgezet tegen 1: specificiteit.
|
Pre-operatie
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Het gebied onder de Precision-Recall-curve van de diagnostische modellen voor de differentiële diagnose van kwaadaardige en goedaardige orbitale tumoren, hoge en lage graden van histologische typen, en hoge en lage niveaus van Ki-67-expressie in kwaadaardige orbitale tumoren.
Tijdsspanne: Pre-operatie
|
Het gebied onder de precisie-recall-curve wordt bepaald door de Precision-Recall-curve te integreren, die precisie uitzet tegen Recall.
|
Pre-operatie
|
|
Gevoeligheid van de diagnostische modellen voor de differentiële diagnose van kwaadaardige en goedaardige orbitale tumoren, hoge en lage graden van histologische typen, en hoge en lage niveaus van Ki-67-expressie in kwaadaardige orbitale tumoren.
Tijdsspanne: Pre-operatie
|
De gevoeligheid wordt berekend als de verhouding tussen de echte positieven en de som van de echte positieven en de fout-negatieven.
|
Pre-operatie
|
|
Specificiteit van de diagnostische modellen voor de differentiële diagnose van kwaadaardige en goedaardige orbitale tumoren, hoge en lage graden van histologische typen, en hoge en lage niveaus van Ki-67-expressie in kwaadaardige orbitale tumoren.
Tijdsspanne: Pre-operatie
|
De specificiteit wordt berekend als de verhouding tussen de echte negatieven en de som van de echte negatieven en de valse positieven.
|
Pre-operatie
|
|
Nauwkeurigheid van de diagnostische modellen voor de differentiële diagnose van kwaadaardige en goedaardige orbitale tumoren, hoge en lage graden van histologische typen, en hoge en lage niveaus van Ki-67-expressie in kwaadaardige orbitale tumoren.
Tijdsspanne: Pre-operatie
|
De nauwkeurigheid wordt berekend als de verhouding tussen de som van de echte positieven en de echte negatieven en het totale aantal gevallen.
|
Pre-operatie
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Studie stoel: Junfang Xian, M.D., Ph.D., Department of Radiology, Beijing Tongren Hospital, Capital Medical University
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
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
- TREC2023-KY107
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 .