Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Klassifisering av benigne og ondartede lungeknuter basert på CT-rådata

29. juni 2022 oppdatert av: Di Dong, Chinese Academy of Sciences

Sammenligning og analyse av prediktiv ytelse av CT og rådata i godartet og ondartet klassifisering av lungeknuter

Bruken av medisinske bilder kombinert med dype nevrale nettverk for å hjelpe til med klinisk diagnose, terapeutisk effekt og prognoseprediksjon er i dag et hotspot. Imidlertid er alle de eksisterende metodene designet basert på de rekonstruerte medisinske bildene i stedet for tapsfrie rådata. Tatt i betraktning at medisinske bilder er ment for menneskelige øyne i stedet for AI, prøver vi å bruke rådata for å forutsi maligniteten til lungeknuter og sammenlignet den prediktive ytelsen med CT. Eksperimenter vil bevise gjennomførbarheten av diagnose ved CT-rådata. Vi mener at den foreslåtte metoden lover å endre dagens medisinske diagnose-pipeline siden den har potensial til å frigjøre radiologene.

Studieoversikt

Status

Fullført

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Det rutinemessig brukte diagnoseskjemaet for kreft følger prosessen med signal-til-bilde-til-diagnose. Det er viktig å rekonstruere de synlige bildene fra signalet til medisinsk utstyr slik at den menneskelige legen kan utføre diagnose. Imidlertid er den enorme mengden informasjon inne i signalet ikke optimalt utvunnet, noe som forårsaker den nåværende utilfredsstillende ytelsen til bildebasert diagnose.

I denne kliniske studien vil vi utvikle et AI-basert diagnoseskjema for lungeknuter direkte fra signalet (rådata) til diagnosen, og hoppe over rekonstruksjonstrinnet. I denne studien vil vi fokusere på diskriminering av ondartede fra godartede lungeknuter. Vi vil samle inn et datasett med pasienter som blir screenet ut lungeknuter. Alle pasienter gjennomgår preoperativ CT-skanning (rådata og CT-bilder tilgjengelig) og har patologisk bekreftet resultat av knutene. Vi vil bygge en modell som kun bruker rådata for diagnostisering av lungeknutene. I tillegg vil en annen modell fra CT image bli bygget for sammenligning.

Videre vil vi utføre oppfølging av disse pasientene og bygge en modell basert på CT-rådata for prognoseanalyse av lungekreft.

Studietype

Observasjonsmessig

Registrering (Faktiske)

626

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Kina
    • Jilin
      • Changchun, Jilin, Kina, 130021
        • The First Hospital of Ji Lin University

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, OLDER_ADULT)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Pasienter som screenes ut lungeknuter ved CT vil bli inkludert i denne studien. Den gyldne standard er den patologisk bekreftede maligniteten til knuten.

Beskrivelse

Inklusjonskriterier:

  1. Pasienter som blir screenet ut lungeknute.
  2. CT-dataene og tilsvarende CT-rådata er tilgjengelige før operasjonen.
  3. Endelig patologisk diagnose av maligniteten i knuten er tilgjengelig.

Ekskluderingskriterier:

  1. Tidligere historie med lungekreft.
  2. Artefakter på CT-bilder som alvorlig forverrer observasjonen av lesjonen.
  3. Tidsintervallet mellom CT-skanning og patologidiagnose er mer enn 4 uker.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Det første sykehuset ved Ji Lin University
CT-data og tilsvarende CT-rådata fra pasienter med lungeknute vil bli samlet inn.
Annen: Ingen inngrep
Ingen inngrep

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Område under mottakerens driftskarakteristikk (ROC)
Tidsramme: 8 måneder
Area under curve (AUC) av rådata for å skille ondartede knuter fra benigne knuter.
8 måneder
Sykdomsfri overlevelse
Tidsramme: 5 år
Sammenhengen mellom rådata og sykdomsfri overlevelse (DFS), som er definert som tiden fra begynnelsen av diagnosen lungekreft til det bekreftede tidspunktet for tilbakefall eller metastatisk sykdom, eller død inntraff.
5 år
Total overlevelse
Tidsramme: 5 år
Sammenhengen mellom rådata og total overlevelse (OS), som er definert som tiden fra begynnelsen av diagnosen lungekreft til dødsfall, uansett årsak.
5 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Chinese Academy of Sciences

Samarbeidspartnere

The First Hospital of Jilin University
Neusoft Medical Systems Co., Ltd.

Etterforskere

  • Studieleder: Yali Zang, Ph.D., Institute of Automation, Chinese Academy of Sciences

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

Hjelpsomme linker

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)

15. april 2019

Primær fullføring (FAKTISKE)

30. juni 2022

Studiet fullført (FAKTISKE)

30. juni 2022

Datoer for studieregistrering

Først innsendt

23. januar 2020

Først innsendt som oppfylte QC-kriteriene

23. januar 2020

Først lagt ut (FAKTISKE)

27. januar 2020

Oppdateringer av studieposter

Sist oppdatering lagt ut (FAKTISKE)

30. juni 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

29. juni 2022

Sist bekreftet

1. juni 2022

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • CASMI001

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

UBESLUTTE

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. .

Abonnere