Bruk av kunstig intelligens for å forutsi utfall av rektal kreft
9. februar 2023 oppdatert av: Taichung Veterans General Hospital
Bruk av CNN bildegjenkjenning for å forutsi utfall av rektal kreft
Etterforsker retrospektiv samler inn tilfeller i løpet av 2010-2021 diagnostisert som rektal adenokarsinom med høykvalitets CT-bilder. Lokale avanserte endetarmskrefttilfeller ble merket som "sykdom". Heller ikke ble definert som "normal".
Bruk av kunstig intelligens CNN på jupyter-notebook med åpen phyton-kode for å trene og utvikle modeller som er i stand til å gjenkjenne lokal avansert rektalkreft. Endre phyton-koden for bedre å forutsi rate og hjelpe legen til raskt å evaluere alvorlighetsgraden av sykdommen for ferske endetarmskrefttilfeller.
Studieoversikt
Status
Fullført
Forhold
Detaljert beskrivelse
Fra 2010.10.1~2021.12.31 ble endetarmskreftpasienter med cT3-4-lesjon inkludert.
Samle høykvalitets CT-bilder med DICOM-filer i tumorsegment.
cT1-2, lave rektale lesjoner, ikke-CRC tilfeller ble ikke inkludert.
Bilder uten kontrast og kunstige defekter ble også ekskludert.
CT-bilder ble merket som "syke" når CRM var truet (<2 mm).
Alle bildene ble merket i henhold til vurdering fra 2 spesialister.
Dataene ble delt inn i 2 deler.
En for opplæring og testing av AI-modeller, en annen for ekstern validering.
Opplæringstestingsdatasettet ble oppnådd ved dyp læring av nevrale nettverk og evaluering av modellnøyaktighetsytelse.
Deretter ble modellen brukt i eksternt valideringsdatasett for testing i den virkelige verden, og evaluerte koherent hastighet mellom AI og Dr.-beslutningen.
Videre for å se kreftoverlevelsesresultatene i henhold til AI-modellprediksjonsresultater.
Studietype
Observasjonsmessig
Registrering (Faktiske)
720
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Taichung, Taiwan
- Taichung Verterans General Hospital
-
-
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
20 år til 100 år (VOKSEN, OLDER_ADULT)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Endetarmskreft diagnostisert i løpet av 2010.10.1-2022.7.31.
klinisk T3-4 lesjon.
med høykvalitets CT-bilder med kontrast.
Beskrivelse
Inklusjonskriterier:
- klinisk stadieinndeling T3-4 med høykvalitets CT-bilder.
Ekskluderingskriterier:
- 1. ikke primær malignitetslesjon
- 2. ikke lokalisere rektum
- 3. T1-2 lesjon
- 4. bilder uten kontrast eller dårlig kvalitet
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 |
|---|---|
|
bilder av endetarmskreftlesjon for trening
Bilder av endetarmskreftlesjon.
Bilder med truet (<2 mm) periferisk margin av rektalkreft ble merket som "syke".
Ellers ble bilder merket som "normale".
Bruk av disse materialene som opplæringsmateriell for oppbygging av AI dyplæringsmodeller.
|
Bruk av merkede bilder som opplæringsmateriell for kunstig intelligens for å utvikle objektdeteksjonsmodell.
|
|
bilder av endetarmskreftlesjon for testing.
Bruker de oppbyggede AI-dyplæringsmodellene fra treningskohorten.
Evaluering av prediksjonsrate for modellen og analyse av overlevelsesresultater.
|
Bruk av det eksterne valideringssettet for å evaluere prediksjonsrate og overlevelsesresultat.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
nøyaktigheten av kunstig intelligens med erfaren lege
Tidsramme: 1 uke etter at bildene er ferdige.
|
nøyaktighet mellom kunstig intelligens og erfaren lege
|
1 uke etter at bildene er ferdige.
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
reelle overlevelsesresultat av diagnose ved kunstig intelligens.
Tidsramme: 5 år etter diagnosen
|
reelle overlevelsesresultat ved kunstig intelligens.
|
5 år etter diagnosen
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Etterforskere
- Hovedetterforsker: ChunuYu Lin, M.D., Taichung Veterans General Hospital
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)
1. oktober 2010
Primær fullføring (FAKTISKE)
31. juli 2022
Studiet fullført (FAKTISKE)
31. desember 2022
Datoer for studieregistrering
Først innsendt
5. januar 2023
Først innsendt som oppfylte QC-kriteriene
9. februar 2023
Først lagt ut (FAKTISKE)
13. februar 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
13. februar 2023
Siste oppdatering sendt inn som oppfylte QC-kriteriene
9. februar 2023
Sist bekreftet
1. februar 2023
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- CE21235B
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. .