Utvikle en MR-basert dyplæringsmodell for å forutsi MMR-status
Utvikle en MR-basert dyplæringsmodell for å forutsi MMR-status av endometriekarsinom
For å utvikle en praktisk, billig og omfattende metode for preoperativt å forutsi dMMR og redusere antall personer som trenger dMMR-relatert immunhistokjemisk eller genetisk testing etter operasjon, har denne studien som mål å etablere en dyp læringsmodell basert på MR for å forutsi MMR-statusen til livmorkreft. Pasienter diagnostisert med endometriekreft etter operasjon og som hadde fullført bekken MR før operasjon ble samlet inn. Deep learning ble brukt for å kombinere den kliniske modellen med MR-bildedata for å bygge modellen. ROC-kurver ble konstruert for testgruppen, intern verifikasjonsgruppe og ekstern verifikasjonsgruppe, og arealet under ROC-kurver ble beregnet for å evaluere den diagnostiske effekten og stabiliteten til modellen.
Den doble terskeltriagestrategien ble brukt for å sile ut pMMR-populasjonen (under den nedre terskel), dMMR-populasjonen (over den øvre terskel) og den usikre delen av populasjonen (mellom tersklene).
Studieoversikt
Detaljert beskrivelse
I denne studien ble pasienter diagnostisert med endometriekreft etter operasjon og som hadde fullført bekken MR før operasjonen samlet inn fra 2017 til 2022. Det forventes å samle 500 saker i vårt sykehus, som er fordelt på 375 saker (forsøksgruppe) og 125 saker (intern verifikasjonsgruppe).
100 tilfeller av Sun Yat-sen University Cancer Center for ekstern verifisering. Kliniske data (alder, kjønn, BMI, CA125, CA19-9, MR-T staging, immunhistokjemiske resultater av MMR-relaterte proteiner) fra studiepopulasjonen ble samlet inn og logistikkregresjonsanalyse ble utført for å etablere kliniske modeller. Trekk ut, segmenter, integrer og forbedre MR-bildedata.
Deep learning ble brukt for å kombinere den kliniske modellen med MR-bildedata for å bygge modellen. ROC-kurver ble konstruert for testgruppen, intern verifikasjonsgruppe og ekstern verifikasjonsgruppe, og arealet under ROC-kurver ble beregnet for å evaluere den diagnostiske effekten og stabiliteten til modellen.
Den doble terskeltriagestrategien ble brukt for å sile ut pMMR-populasjonen (under den nedre terskel), dMMR-populasjonen (over den øvre terskel) og den usikre delen av populasjonen (mellom tersklene). Hvis den prediktive skåren er over den nedre terskelen, anbefales pasienten å gjennomgå ytterligere immunhistokjemisk eller genetisk testing for å bekrefte MMR-status eller dMMR-type
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiekontakt
- Navn: Jing Li
- Telefonnummer: 15915893493
- E-post: lijing228@mail.sysu.edu.cn
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Pasienter diagnostisert med endometriekreft etter operasjon og som hadde fullført bekken MR før operasjonen fra 2017 til 2022
Ekskluderingskriterier:
- (1) Det var ingen immunhistokjemisk påvisningsresultat av MMR-relatert protein; (2) Strålebehandling og kjemoterapi før MR; (3) små svulster som er vanskelige å identifisere på bildet (<5 mm); (4) Den T2-vektede bildekvaliteten er utilstrekkelig til å plotte ROI, for eksempel åpenbare bevegelsesartefakter; (5) Det er andre gynekologiske maligniteter
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Testgruppe
375 pasienter på sykehuset vårt, tilfeldig fordelt.
|
500 pasienter ved sykehuset vårt ble tilfeldig delt inn i testgruppe og intern valideringsgruppe, og 100 pasienter i samarbeidssykehus var ekstern valideringsgruppe.
|
|
Intern valideringsgruppe
125 pasienter på vårt sykehus, tilfeldig fordelt.
|
500 pasienter ved sykehuset vårt ble tilfeldig delt inn i testgruppe og intern valideringsgruppe, og 100 pasienter i samarbeidssykehus var ekstern valideringsgruppe.
|
|
Ekstern valideringsgruppe
100 pasienter ved Sun Yat-sen University Cancer Center
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Område under mottakerens driftskarakteristikk (AUROC)
Tidsramme: ett år
|
Arealet under mottakerens driftskarakteristiske kurve (AUROC) ble brukt til å evaluere ytelsen til modellene
|
ett år
|
Samarbeidspartnere og etterforskere
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Forventet)
Primær fullføring (Forventet)
Studiet fullført (Forventet)
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
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- SYSKY-2023-084-01
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
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. .