Diep leren met op MRI gebaseerde multimodale datafusie Verbeterde postoperatieve risicostratificatie van borstkanker
Borstkanker vormt een aanzienlijk mondiaal gezondheidsprobleem, vooral onder vrouwen, met een hoog recidiefpercentage en verspreiding op afstand ondanks vroege interventies. De tijdige identificatie van het metastaserisico en nauwkeurige voorspelling van behandelstrategieën zijn van cruciaal belang voor het verbeteren van de prognose. De complexe heterogeniteit van borsttumoren brengt echter uitdagingen met zich mee bij het nauwkeurig voorspellen van de prognose. Daarom is de ontwikkeling van innovatieve methoden voor tumorsegmentatie en prognosebeoordeling essentieel.
Het uitgevoerde onderzoek is een multicenteronderzoek waaraan 1.199 niet-gemetastaseerde borstkankerpatiënten uit vier onafhankelijke centra deelnamen. Ons onderzoek maakt gebruik van de vooruitgang op het gebied van kunstmatige intelligentie (AI) om deze uitdaging aan te pakken. Deze studie is de eerste succesvolle toepassing van een op MRI gebaseerd multimodaal voorspellingssysteem om het risico op postoperatief recidief bij borstkankerpatiënten nauwkeurig te identificeren.
Studie Overzicht
Studietype
Inschrijving (Werkelijk)
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Histologisch bevestigd stadium I-III invasieve BC
- Leeftijd ≥ 18 jaar
- De patiënt die een operatie heeft ondergaan
- Het bestaan van MRI-scans
Uitsluitingscriteria:
- Ontbrak pathologische resultaten
- Had andere, gelijktijdige maligniteiten
- Als MR-beeldvormingsproblemen waren uitgesloten
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Opleidingscohort
We hebben 569 patiënten van het Sun Yat-sen Memorial Hospital van de Sun Yat-sen Universiteit (SYSMH; Guangzhou, China) willekeurig toegewezen in een verhouding van 3:1 aan training (n = 456) en interne validatie (n = 113) cohorten.
|
|
|
Intern validatiecohort
We hebben 569 patiënten van het Sun Yat-sen Memorial Hospital van de Sun Yat-sen Universiteit (SYSMH; Guangzhou, China) willekeurig toegewezen in een verhouding van 3:1 aan training (n = 456) en interne validatie (n = 113) cohorten.
|
|
|
Extern testcohort 1
432 van het Sun Yat-sen University Cancer Center (SYSUCC; Guangzhou, China) naar extern testcohort 1.
|
|
|
Extern testcohort 2
198 van het Dongguan Tungwah Ziekenhuis (DTH; Dongguan, China) en het Shunde Ziekenhuis van de Southern Medical University (SDHSMU; Guangzhou, China) naar extern testcohort 2.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
DFS
Tijdsspanne: De tijd vanaf de operatie tot het terugkeren van de tumor, inclusief lokaal en/of recidief op afstand, ziekteprogressie of overlijden, geschat op maximaal 100 maanden.
|
Ziektevrij overleven
|
De tijd vanaf de operatie tot het terugkeren van de tumor, inclusief lokaal en/of recidief op afstand, ziekteprogressie of overlijden, geschat op maximaal 100 maanden.
|
Medewerkers en onderzoekers
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
- YSEC-KY-KS-2019-054-001
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 .