Voorspelling van significante leverfibrose (PSLF)
16 juli 2024 bijgewerkt door: Huang Haijun
Multimodale digitale beeldfusietechnologie gebaseerd op diepgaand leren om significante leverfibrose te voorspellen en de toepassing ervan in multicenteronderzoek
De deep learning-methode op basis van het convolutioneel neuraal netwerk (CNN) werd gebruikt om de relevante kenmerken van de classificatie van leverfibrose te extraheren uit de multimodale informatie van digitale pathologische secties, klinische parameters en biomarkers van een groot aantal bestaande gevallen van leverpunctie, en de U-Net-architectuur van CNN werd gebruikt om de kenmerken van klinische medische beelden te segmenteren en te extraheren.
Studie Overzicht
Gedetailleerde beschrijving
Patiënten met chronische hepatitis B ondergingen een B-echografiegeleide leverbiopsie en werden onderverdeeld in een groep met milde leverfibrose (fibrose graad 0-1, S1), een groep met significante leverfibrose (fibrose graad 2, S2), een groep met gevorderde leverfibrose en een groep met vroege leverfibrose. cirrosegroep (fibrose graad 3-4, S3-4) volgens de pathologische resultaten. In deze studie werden tussen 2018 en 2022 200 patiënten met verschillende gradaties van leverfibrose en 200 normale vrijwilligers verzameld, en hun klinische biochemische gegevens, beeldgegevens en perifere bloedmonsters werden verzameld. De pathologische kenmerken van de micro-omgeving, beeldvormingskenmerken, klinische parameterkenmerken en andere gegevens van patiënten werden geëxtraheerd, en de destillatie-leermethode gebaseerd op het leraar-leerlingmodel werd toegepast om een multimodale big data-analyse te ontwikkelen en te construeren. model voor nauwkeurige beoordeling van leverfibrose, om zo een niet-invasief intelligent beoordelingsdiagnosesysteem voor leverfibrose te realiseren.
Studietype
Observationeel
Inschrijving (Geschat)
700
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: Haijun Huang
- Telefoonnummer: 13758186635
- E-mail: huanghaijun0826@163.com
Studie Locaties
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310014
- Werving
- Haijun Huang
-
Contact:
- Haijun Huang
- Telefoonnummer: 13758186635
- E-mail: huanghaijun0826@163.com
-
-
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
- Volwassen
Accepteert gezonde vrijwilligers
Ja
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Een patiënt met chronische hepatitis B-leverfibrose, bevestigd door een leverbiopsie
Beschrijving
Inclusiecriteria:
- Leeftijd van 18-60 jaar
- De diagnose van chronische hepatitis B is in overeenstemming met de diagnostische criteria van de Chinese richtlijnen voor preventie en behandeling van chronische hepatitis B uit 2019, en de diagnose van niet-alcoholische leververvetting is in overeenstemming met de richtlijnen van de Asian Pacific Hepatology Association.
- Beeldvorming toonde geen leverkanker
Uitsluitingscriteria:
- Er zijn contra-indicaties voor een leverbiopsie
- Leverpathologie voldeed niet aan de criteria
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 |
|---|
|
milde fibrose
S0-1
|
|
aanzienlijke leverfibrose
S2
|
|
Geavanceerde leverfibrose
S3-4
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Model ontwikkeling
Tijdsspanne: 2024,6-2024,12
|
Beeldvormingskenmerken (zoals CT-scan, MRI, röntgenfoto's, enz.) en klinische parameters van patiënten werden geëxtraheerd, inclusief basiskenmerken van de populatie (zoals leeftijd, geslacht, comorbiditeiten, enz.), biochemische bloedindicatoren (zoals bloedglucose lipiden, leverfunctie-indicatoren, enz.) en bloedcytologische indicatoren (zoals het aantal witte bloedcellen, het aantal rode bloedcellen, enz.).
Voltooide caseselectie en cohortopstelling, multimodale kenmerkextractie en modelontwikkeling
|
2024,6-2024,12
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Bouw een multimodaal cloudplatformsysteem voor vroegtijdige waarschuwing voor big data voor leverfibrose
Tijdsspanne: 2025.1-2025.12
|
We zijn van plan een cloudplatform te ontwerpen met componenten voor gegevensopslag, -verwerking en -analyse. Selecteer de juiste technologiestapel om ervoor te zorgen dat het platform grootschalige gegevens kan verwerken en goede schaalbaarheid en prestaties heeft. De eerder gebouwde multimodale leverfibrose-precisie Het typeringsmodel werd vervolgens in het platform ingebed, waardoor het model een verscheidenheid aan gegevenstypen kon verwerken en naadloos kon worden geïntegreerd met andere componenten van het platform. Tegelijkertijd wordt de stroomverwerkingstechnologie gebruikt om de realtime monitoring en analyse te integreren functie van het platform, om snelle voorspelling en classificatie van de nieuw verworven gegevens over leverfibrose te kunnen maken. De nauwkeurigheid en stabiliteit van het model werden verder geverifieerd in de multi-center klinische gegevens, en de multimodale big data leverfibrose vroeg waarschuwingscloudplatformsysteem is gebouwd
|
2025.1-2025.12
|
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Evaluatie Multimodale big data leverfibrose-waarschuwingsplatformsysteemeffectiviteit
Tijdsspanne: 2026.1-2026.12
|
Om de effectiviteit van het multimodale big data-waarschuwingsplatform voor leverfibrose te testen in een echte klinische omgeving met meerdere centra.
We zullen ook de mogelijkheid onderzoeken om het platform te gebruiken voor langdurige follow-up van patiënten, testen op afstand van patiënten en regelmatige beoordeling van de ziekteprogressie.
|
2026.1-2026.12
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Medewerkers
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 (Geschat)
20 juli 2024
Primaire voltooiing (Geschat)
31 december 2024
Studie voltooiing (Geschat)
31 december 2026
Studieregistratiedata
Eerst ingediend
10 juli 2024
Eerst ingediend dat voldeed aan de QC-criteria
16 juli 2024
Eerst geplaatst (Werkelijk)
19 juli 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
19 juli 2024
Laatste update ingediend die voldeed aan QC-criteria
16 juli 2024
Laatst geverifieerd
1 juli 2024
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- KY2024072
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
ONBESLIST
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 .