Automatisk evaluering av alvorlighetsgraden av gastrisk intestinal metaplasi med patologi kunstig intelligens diagnosesystem
Automatisk evaluering av alvorlighetsgraden av gastrisk intestinal metaplasi med patologi Artificial Intelligence Diagnose System: en diagnostisk test
OLGIM-staging-systemet anbefales på det sterkeste for en omfattende vurdering av alvorlighetsgraden av GIM for å evaluere pasienters risiko for magekreft. Behovet for å ta minst 4 biopsier er imidlertid ikke klinisk gjennomførbart på grunn av en alvorlig mangel på patologer sammenlignet med det store antallet magekreftscreeningspopulasjoner.
Vi planlegger å utvikle et digital patologi kunstig intelligens diagnosesystem (DPAIDS), for automatisk å identifisere tumorområder i hele lysbildebilder (WSI) og raskt og nøyaktig kvantifisere alvorlighetsgraden av intestinal metaplasi i henhold til andelen av intestinale metaplasiområder.
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
Magekreft er den femte mest utbredte maligniteten og den tredje mest dødelige på verdensbasis, og intestinal metaplasi (IM) er en vanlig precancerøs tilstand som er nært assosiert med gastrisk karsinogenese. OLGIM-staging-systemet anbefales sterkt for en omfattende vurdering av GIM-alvorlighetsgraden for å evaluere pasientenes risiko for magekreft. Behovet for å ta minst fire biopsier er imidlertid ikke klinisk gjennomførbart på grunn av en alvorlig mangel på patologer sammenlignet med det store antallet screeningpopulasjoner for magekreft. Å utvikle automatiserte screeningmetoder kan redusere den tunge diagnostiske arbeidsbelastningen. Med fremskritt innen digitale patologiskanningsenheter og dyplæringsteknologier, har hele lysbildebilder (WSI) blitt brukt til å utvikle automatiserte kreftdiagnostiske systemer.
Vi planlegger å utvikle et digital patologi kunstig intelligens diagnosesystem (DPAIDS), for automatisk å identifisere tumorområder i hele lysbildebilder (WSI) og raskt og nøyaktig kvantifisere alvorlighetsgraden av intestinal metaplasi i henhold til andelen av intestinale metaplasiområder. Deretter vil biopsier bli prospektivt samlet inn og klargjort som WSI for modellvalidering.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: yanqing Li, MD, PHD
- Telefonnummer: 0531182169385
- E-post: liyanqing@sdu.edu.cn
Studiesteder
-
-
Shandong
-
Jinan, Shandong, Kina, 250012
- Rekruttering
- Department of Gastroenterology, Qilu Hospital, Shandong University
-
Ta kontakt med:
- Yanqing Li, PhD. MD.
- Telefonnummer: 18678827666
- E-post: liyanqing@sdu.edu.cn
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- pasienter i alderen 40-75 år som gjennomgår gastroskopiundersøkelse og biopsi
Ekskluderingskriterier:
- pasienter med alvorlig hjerte-, cerebral, lunge- eller nyredysfunksjon eller psykiatriske lidelser som ikke kan delta i gastroskopi
- pasienter med tidligere kirurgiske inngrep på magen
- pasienter med kontraindikasjoner for biopsi
- pasienter som nekter å signere skjemaet for informert samtykke
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Hele lysbildebilder av gastriske biopsiprøver
|
Patologer og AI vil vurdere alvorlighetsgraden av intestinal metaplasi og vurdere tumorområdet til hele lysbildebilder av gastriske biopsiprøver uavhengig.
I tillegg kan ikke patologene se diagnosen AI.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Den diagnostiske ytelsen til AI-modellen for å vurdere alvorlighetsgraden av intestinal metaplasi
Tidsramme: 2 år
|
Den diagnostiske ytelsen til AI-modellen for å vurdere alvorlighetsgraden av intestinal metaplasi i et enkelt biopsivevsglass: Nøyaktighet, sensitivitet og spesifisitet
|
2 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet av den digitale patologiske AI-modellen for å identifisere tumorregioner
Tidsramme: 2 år
|
Nøyaktighet av den digitale patologiske AI-modellen for å identifisere tumorregioner i hele lysbildene
|
2 år
|
|
Nøyaktighet av digitale patologiske AI-modeller for å identifisere kjertler, slimhinneepitel og intestinal metaplasi i ikke-neoplastiske områder
Tidsramme: 2 år
|
Nøyaktighet av digitale patologiske AI-modeller for å identifisere kjertler, slimhinneepitel og intestinal metaplasi i ikke-neoplastiske områder
|
2 år
|
Samarbeidspartnere og etterforskere
Sponsor
Etterforskere
- Studiestol: yanqing Li, MD, PHD, Qilu Hospital, Shandong University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2022-SDU-QILU-110
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .