AI-model voor het classificeren van borstkanker op basis van histopathologische beelden
Een onderzoek naar algoritmen voor kunstmatige intelligentie voor de classificatie van borstkanker op basis van histopathologische afbeeldingen
Borstkanker, een veel voorkomende en potentieel dodelijke ziekte, onderstreept de noodzaak van vroege en nauwkeurige detectie om de resultaten voor de patiënt te verbeteren. Traditioneel histopathologisch onderzoek, de huidige gouden standaard voor diagnose, wordt geconfronteerd met beperkingen zoals subjectiviteit en lage efficiëntie. Als reactie hierop probeert dit onderzoek een revolutie teweeg te brengen in de diagnostiek van borstkanker door gebruik te maken van deep learning-technieken om invasieve en niet-invasieve typen borstkanker te classificeren op basis van histopathologische beelden. Niet-invasieve kankers, zoals DCIS en LCIS, blijven beperkt tot de melkkanalen of lobules, terwijl invasieve kankers zich verspreiden naar het omliggende weefsel en 70% van de gevallen uitmaken, wat vaak tot slechtere resultaten leidt.
Het voorgestelde AI-model heeft tot doel de diagnostische nauwkeurigheid en efficiëntie te verbeteren, handmatige methoden te overtreffen en een schaalbare oplossing te bieden voor diverse gezondheidszorgomgevingen. Door beeldanalyse te automatiseren, probeert het model kankerscreening te democratiseren, het toegankelijk te maken voor achtergestelde bevolkingsgroepen en aanpasbaar aan verschillende middelen en apparatuur. Uiteindelijk heeft dit onderzoek tot doel de detectie van borstkanker te bevorderen, de patiëntenzorg te verbeteren en bij te dragen aan betere behandelresultaten wereldwijd.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Borstkanker, een wijdverbreide en potentieel dodelijke ziekte, benadrukt de dringende noodzaak van vroege en nauwkeurige detectie om de resultaten voor de patiënt te verbeteren. Het huidige diagnostische raamwerk, gekenmerkt door handmatig histopathologisch onderzoek, vertoont inherente nadelen zoals subjectiviteit en beperkte doorvoer. Als reactie daarop wil ons onderzoek de diagnostiek van borstkanker transformeren door gebruik te maken van geavanceerde computationele technieken, met name deep learning. Borstkanker kan worden ingedeeld in twee hoofdsubtypen: invasief en niet-invasief.
Niet-invasieve borstkanker, vaak in situ borstkanker genoemd, wordt gekenmerkt door abnormale cellen die opgesloten zitten in de melkkanalen (ductaal carcinoma in situ of DCIS) of lobules (lobular carcinoma in situ of LCIS) zonder omliggende weefsels binnen te dringen. Dit type wordt als een vroeg stadium beschouwd en is op zichzelf doorgaans niet levensbedreigend. Invasieve borstkankers zijn borstkankers die zich vanuit de oorspronkelijke plaats (de melkkanalen of de lobben) naar het omliggende borstweefsel verspreiden. Deze vormen ongeveer 70% van alle gevallen van borstkanker en hebben over het algemeen een slechtere prognose vergeleken met de in-situ subtypes.
Medische beeldvorming van borsten kan worden verkregen via verschillende technieken, zoals MRI-scans, mammografie, echografie, thermografie, computertomografiescans en histopathologie. Van deze benaderingen dient de histopathologische test als de gouden standaard voor de klinische diagnose van kanker.
Het voorgestelde AI-model heeft tot doel de analyse van histopathologische beelden voor de classificatie van invasieve en niet-invasieve borstkanker te stroomlijnen en te verbeteren, conventionele methoden te overtreffen en een betrouwbaar middel te bieden voor het identificeren van kankergebieden. Dit belooft de nauwkeurigheid en efficiëntie van borstkankerdiagnostiek aanzienlijk te verbeteren en tegemoet te komen aan de dringende behoefte aan betrouwbare en schaalbare oplossingen. Door het complexe proces van histopathologische beeldanalyse van borstkanker te automatiseren, is het ons doel om de screening te democratiseren, deze toegankelijker te maken en achtergestelde bevolkingsgroepen te bereiken. Bovendien gaat ons model verder dan technologische innovatie; het behandelt bredere kwesties van toegankelijkheid en schaalbaarheid, vooral in omgevingen met lage inkomens. De focus van het onderzoek op domeinaanpassing is van cruciaal belang, waardoor de nauwkeurigheid en betrouwbaarheid van het model in verschillende zorginstellingen wordt gewaarborgd. Dit houdt in dat er rekening wordt gehouden met verschillen in middelen, uitrusting en demografische factoren, waardoor het een veelzijdige en aanpasbare oplossing wordt voor diverse contexten.
Samenvattend is ons onderzoek niet alleen bedoeld om de technologische grens te verleggen in de diagnostiek van borstkanker, maar ook om een transformerende verandering in toegankelijkheid, efficiëntie en betrouwbaarheid te bewerkstelligen. Door een AI-model te ontwikkelen dat de specifieke uitdagingen van traditionele methoden aanpakt, willen we een betekenisvolle impact hebben op de screening op borstkanker, wat uiteindelijk zal leiden tot vroege detectie, behandeling op maat en verbeterde resultaten voor patiënten over de hele wereld.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Taufiq Hasan, PhD
- Telefoonnummer: +8801817579844
- E-mail: taufiq@bme.buet.ac.bd
Studie Contact Back-up
- Naam: Samiha Jainab, B.Sc.
- Telefoonnummer: +8801914556073
- E-mail: jainab.samiha@gmail.com
Studie Locaties
-
-
-
Dhaka, Bangladesh, 1212
- Werving
- National Institute of Cancer Research & Hospital (NICRH)
-
Contact:
- Farida Arjuman, FCPS, MCPS
- Telefoonnummer: +8801715520165
- E-mail: drarju35cmc@gmail.com
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Vrouwelijke patiënten van elke leeftijd kunnen als proefpersonen worden geselecteerd.
- Mensen die bereid zijn deel te nemen aan het bevolkingsonderzoek naar borstkanker.
- Beschikbaarheid voor biopsieonderzoek.
- Vrouwen zonder huidige of eerdere diagnose van borstkanker.
- Beschikbaarheid van relevante medische dossiers voor bevestiging en vergelijkingsdoeleinden.
Uitsluitingscriteria:
- Zwangere vrouwen worden uitgesloten vanwege de mogelijke gevolgen voor de screeningresultaten en de noodzaak van speciale overwegingen tijdens de zwangerschap.
- Personen met ernstige medische aandoeningen of omstandigheden die histopathologisch onderzoek ongepast of onveilig kunnen maken, worden uitgesloten.
- Patiënten met aandoeningen die de nauwkeurigheid van de screeningresultaten kunnen verstoren, worden uitgesloten.
- Vervolgscreeningen zijn niet opgenomen in dit onderzoek.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Vrouwen die een biopsie ondergaan wegens vermoedelijke abnormale celgroei in de borst
Het cohort omvat vrouwen die een biopsie hebben ondergaan vanwege een vermoedelijke abnormale celgroei in de borst. Dit cohort omvat een breed scala aan potentiële diagnoses, waaronder goedaardige aandoeningen, niet-invasieve (in situ) borstkankers en invasieve borstkankers. Bij alle deelnemers worden histopathologische monsters verzameld voor analyse, die als basis dienen voor het bepalen van de aanwezigheid en het type abnormale celgroei. Het cohort zal worden bestudeerd met behulp van deep learning-technieken om de biopsiemonsters in specifieke categorieën te classificeren (normaal, goedaardig, in situ of invasief), met als doel de diagnostische nauwkeurigheid en efficiëntie bij het detecteren van borstkanker te verbeteren. Door zich te concentreren op vrouwen die een biopsie ondergaan, wil deze studie de diagnostische uitdagingen aanpakken waarmee ze te maken krijgen bij het onderscheiden van verschillende borstweefselafwijkingen, wat bijdraagt aan eerdere detectie en betere klinische resultaten. |
Biopsie: Deze interventie omvat het verzamelen van borstweefselmonsters via een biopsieprocedure. Deze monsters worden verkregen van vrouwen die onderzoek ondergaan op ongebruikelijke celgroei en worden geanalyseerd om mogelijke afwijkingen op te sporen, waaronder goedaardige, in situ of invasieve kankerachtige veranderingen. Borstamputatie: Deze interventie verwijst naar de chirurgische verwijdering van borstweefsel, meestal uitgevoerd om de verspreiding van borstkanker te behandelen of te voorkomen. Het kan de verwijdering van een deel of de gehele borst inhouden en wordt overwogen in gevallen van invasieve borstkanker of niet-invasieve borstkanker met een hoog risico. Histopathologie: Deze interventie richt zich op het microscopisch onderzoek van borstweefselmonsters verzameld via een biopsie of borstamputatie. Histopathologische analyse wordt uitgevoerd om cellulaire afwijkingen te beoordelen, de aanwezigheid van kanker te bepalen en het weefsel te classificeren als goedaardig, in situ of invasief, wat de basis vormt voor diagnose- en behandelingsbeslissingen. |
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van het Deep Learning-model bij het classificeren van borstweefsel als normaal, goedaardig, in situ of invasief.
Tijdsspanne: Gemeten op het moment van histopathologische beeldanalyse (binnen 1 week na biopsie of borstamputatie).
|
De primaire uitkomst van deze studie is de diagnostische nauwkeurigheid van het deep learning-model bij het classificeren van histopathologische beelden van borstbiopten in drie categorieën: goedaardige, in situ (niet-invasieve) en invasieve borstkanker.
De nauwkeurigheid zal worden gemeten door de voorspellingen van het model te vergelijken met de grondwaarheidsdiagnoses die zijn vastgesteld door deskundige pathologen.
|
Gemeten op het moment van histopathologische beeldanalyse (binnen 1 week na biopsie of borstamputatie).
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: Taufiq Hasan, PhD, Department of Biomedical Engineering, Bangladesh University of Engineering and Technology (BUET), Dhaka - 1205.
- Hoofdonderzoeker: Farida Arjuman, FCPS, MCPS, Department of Histopathology, National Institute of Cancer Research and Hospital (NICRH)
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Geschat)
Updates van studierecords
Laatste update geplaatst (Geschat)
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
- NICRH/IRB/2024/134
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
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 .