Bruken av kunstig intelligens for å forutsi kreftlymfeknuter for lungekreftstadie under ultralydavbildning
10. mars 2020 oppdatert av: Wael Hanna, St. Joseph's Healthcare Hamilton
Utvikling og validering av en datamaskinstøttet algoritme ved bruk av kunstig intelligens og dype nevrale nettverk for segmentering av ultralydfunksjoner i lymfeknuter under endobronkial ultralyd
Denne studien tar sikte på å finne ut om et dyp neural kunstig intelligens (AI) nettverk (NeuralSeg) kan lære å tilordne Canada Lymph Node Score til lymfeknuter undersøkt ved endobronkial ultralyd transbronchial needle aspiration (EBUS-TBNA), ved bruk av segmenteringsteknikken.
Bilder vil bli laget fra 300 lymfeknutervideoer fra et potensielt bibliotek og vil bli brukt som et avledningssett for å utvikle algoritmen.
Ytterligere 100 lymfeknutebilder vil bli samlet inn prospektivt for å validere om NeuralSeg kan bruke poengsummen riktig.
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Faktiske)
52
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Ontario
-
Hamilton, Ontario, Canada, L8N 4A6
- St. Joseph's Healthcare Hamilton
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
18 år og eldre (Voksen, Eldre voksen)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Fase A krever ikke pasientregistrering.
Fase B vil kreve prospektiv registrering av pasienter for å få valideringssettet med nye lymfeknutevideoer.
Alle pasienter som er planlagt å gjennomgå en EBUS-TBNA-prosedyre for mediastinal stadie av NSCLC ved St. Joseph's Healthcare Hamilton vil være kvalifisert til å delta i denne studien.
Det er ingen eksklusjonskriterier.
Alle pasienter vil gjennomgå EBUS-TBNA i henhold til rutinemessig behandling, bortsett fra den ene forskjellen hvor prosedyrene vil bli tatt opp på video slik at de kan brukes til dataanalyse på et senere tidspunkt.
Beskrivelse
Inklusjonskriterier:
- må være diagnostisert med bekreftet eller mistenkt lungekreft og være under EBUS-diagnose/stadieinndeling
Ekskluderingskriterier:
- Ingen
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Utvikling av datamaskinalgoritme for å identifisere lymfeknuteultrasonografiske funksjoner
Tidsramme: Fra retrospektiv datainnsamling til algoritmeutvikling (1 måned)
|
Mål: å finne ut om et dypt nevralt AI-nettverk (NeuralSeg) kan lære å tilordne Canada Lymph Node Score til lymfeknuter undersøkt av EBUS, ved å bruke teknikken for segmentering på et eksisterende (avlednings) sett med lymfeknutevideoer
|
Fra retrospektiv datainnsamling til algoritmeutvikling (1 måned)
|
|
Validering av datamaskinalgoritme for å identifisere lymfeknuteultrasonografiske funksjoner
Tidsramme: Fra potensiell datainnsamling til algoritmevalidering (6 måneder)
|
Mål: å finne ut om NeuralSeg kan bruke Canada Lymph Node Score på et nytt (validerings) sett med lymfeknutevideoer som den aldri har sett før
|
Fra potensiell datainnsamling til algoritmevalidering (6 måneder)
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet og pålitelighet av segmenteringen utført av NeuralSeg
Tidsramme: Fra segmentering utført av kirurg til segmentering utført av NeuralSeg (1 måned)
|
Mål: å sammenligne nøyaktigheten og påliteligheten til segmenteringen utført av NeuralSeg med segmenteringen utført av en erfaren endoskopisk kirurg ved bruk av DICE-SORENSEN-koeffisienter.
|
Fra segmentering utført av kirurg til segmentering utført av NeuralSeg (1 måned)
|
|
NeuralSeg-prediksjon av malignitet i lymfeknuter
Tidsramme: Fra NeuralSeg-algoritme brukt på EBUS-bildebehandling til biopsirapport (estimert opptil 2-3 måneder)
|
Mål: å bestemme om NeuralSeg nøyaktig kan forutsi malignitet i lymfeknuten sammenlignet med biopsiresultater av lymfeknuten som ble undersøkt.
|
Fra NeuralSeg-algoritme brukt på EBUS-bildebehandling til biopsirapport (estimert opptil 2-3 måneder)
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Etterforskere
- Hovedetterforsker: Wael C Hanna, St. Josephs Healthcare Hamilton
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
- American College of Chest Physicians; Health and Science Policy Committee. Diagnosis and management of lung cancer: ACCP evidence-based guidelines. American College of Chest Physicians. Chest. 2003 Jan;123(1 Suppl):D-G, 1S-337S. No abstract available.
- Hanna WC, Yasufuku K. Bronchoscopic staging of lung cancer. Ther Adv Respir Dis. 2013 Apr;7(2):111-8. doi: 10.1177/1753465812468041. Epub 2012 Dec 20.
- Hylton DA, Turner J, Shargall Y, Finley C, Agzarian J, Yasufuku K, Fahim C, Hanna WC. Ultrasonographic characteristics of lymph nodes as predictors of malignancy during endobronchial ultrasound (EBUS): A systematic review. Lung Cancer. 2018 Dec;126:97-105. doi: 10.1016/j.lungcan.2018.10.020. Epub 2018 Oct 30.
- El-Sherief AH, Lau CT, Wu CC, Drake RL, Abbott GF, Rice TW. International association for the study of lung cancer (IASLC) lymph node map: radiologic review with CT illustration. Radiographics. 2014 Oct;34(6):1680-91. doi: 10.1148/rg.346130097.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
8. april 2019
Primær fullføring (Faktiske)
23. september 2019
Studiet fullført (Faktiske)
20. november 2019
Datoer for studieregistrering
Først innsendt
19. februar 2019
Først innsendt som oppfylte QC-kriteriene
20. februar 2019
Først lagt ut (Faktiske)
21. februar 2019
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
11. mars 2020
Siste oppdatering sendt inn som oppfylte QC-kriteriene
10. mars 2020
Sist bekreftet
1. mars 2020
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- StJoes EBUS AI (5636)
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .