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

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data

22. juni 2026 oppdatert av: Yunnan Cancer Hospital

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation

This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data. To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS). To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Intervensjon / Behandling

Studietype

Intervensjonell

Registrering (Antatt)

1800

Fase

  • Ikke aktuelt

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Beskrivelse

Inclusion Criteria:

  1. Histopathologically confirmed invasive breast cancer;
  2. Planned to receive a full course of neoadjuvant therapy;
  3. Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.

Exclusion Criteria:

  1. Previous history of ipsilateral breast cancer or chest radiotherapy;
  2. Distant metastasis (Stage IV);
  3. Poor image quality or missing clinical data exceeding 20%.

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

  • Primært formål: Diagnostisk
  • Tildeling: N/A
  • Intervensjonsmodell: Enkeltgruppeoppdrag
  • Masking: Ingen (Open Label)

Våpen og intervensjoner

Deltakergruppe / Arm
Intervensjon / Behandling
Eksperimentell: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
Diagnostisk test: To explore the value of a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information in predicting pCR and long-term prognosis.
MRI and ultrasound were performed in addition to conventional treatment regimens

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Tidsramme: From enrollment to the end of surgery
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed. Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
From enrollment to the end of surgery

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Prognostic predictive value of multimodal data for breast cancer
Tidsramme: From enrollment to the end of surgery
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS). Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
From enrollment to the end of surgery

Samarbeidspartnere og etterforskere

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

Sponsor

Yunnan Cancer Hospital

Etterforskere

  • Studieleder: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer 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 (Antatt)

1. juni 2026

Primær fullføring (Antatt)

31. desember 2026

Studiet fullført (Antatt)

30. juni 2029

Datoer for studieregistrering

Først innsendt

19. mai 2026

Først innsendt som oppfylte QC-kriteriene

22. juni 2026

Først lagt ut (Faktiske)

26. juni 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

26. juni 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

22. juni 2026

Sist bekreftet

1. mai 2026

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • KYLX2026-205

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. .

Abonnere