Wykorzystanie sztucznej inteligencji do przewidywania nowotworowych węzłów chłonnych do oceny stopnia zaawansowania raka płuca podczas obrazowania ultrasonograficznego
Opracowanie i walidacja wspomaganego komputerowo algorytmu wykorzystującego sztuczną inteligencję i głębokie sieci neuronowe do segmentacji cech ultrasonograficznych węzłów chłonnych podczas ultrasonografii wewnątrzoskrzelowej
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Typ studiów
Typ studiów
Zapisy (Rzeczywisty)
Zapisy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Ontario
-
Hamilton, Ontario, Kanada, L8N 4A6
- St. Joseph's Healthcare Hamilton
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- musi być zdiagnozowany z potwierdzonym lub podejrzewanym rakiem płuc i przejść diagnostykę/ocenę stopnia zaawansowania EBUS
Kryteria wyłączenia:
- Nic
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Opracowanie algorytmu komputerowego do identyfikacji cech ultrasonograficznych węzłów chłonnych
Ramy czasowe: Od retrospektywnego zbierania danych do opracowania algorytmu (1 miesiąc)
|
Cel: ustalenie, czy głęboka neuronowa sieć sztucznej inteligencji (NeuralSeg) może nauczyć się, jak przypisać Canada Lymph Node Score do węzłów chłonnych badanych przez EBUS, przy użyciu techniki segmentacji na istniejącym (pochodnym) zestawie filmów z węzłów chłonnych
|
Od retrospektywnego zbierania danych do opracowania algorytmu (1 miesiąc)
|
|
Walidacja algorytmu komputerowego do identyfikacji cech ultrasonograficznych węzłów chłonnych
Ramy czasowe: Od prospektywnego zbierania danych do walidacji algorytmu (6 miesięcy)
|
Cel: ustalenie, czy NeuralSeg może prawidłowo zastosować Canada Lymph Node Score do nowego (walidacyjnego) zestawu filmów dotyczących węzłów chłonnych, których nigdy wcześniej nie widział
|
Od prospektywnego zbierania danych do walidacji algorytmu (6 miesięcy)
|
Miary wyników drugorzędnych
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność i niezawodność segmentacji wykonanej przez NeuralSeg
Ramy czasowe: Od segmentacji wykonywanej przez chirurga do segmentacji wykonywanej przez NeuralSeg (1 miesiąc)
|
Cel: porównanie dokładności i wiarygodności segmentacji wykonanej przez NeuralSeg z segmentacją wykonaną przez doświadczonego chirurga endoskopowego z wykorzystaniem współczynników DICE-SORENSEN.
|
Od segmentacji wykonywanej przez chirurga do segmentacji wykonywanej przez NeuralSeg (1 miesiąc)
|
|
NeuralSeg przewidywanie złośliwości węzłów chłonnych
Ramy czasowe: Od algorytmu NeuralSeg stosowanego w obrazowaniu EBUS do raportu z biopsji (szacowany do 2-3 miesięcy)
|
Cel: ustalenie, czy NeuralSeg może dokładnie przewidzieć złośliwość węzła chłonnego w porównaniu z wynikami biopsji badanego węzła chłonnego.
|
Od algorytmu NeuralSeg stosowanego w obrazowaniu EBUS do raportu z biopsji (szacowany do 2-3 miesięcy)
|
Współpracownicy i badacze
Sponsor
Sponsor
Śledczy
Śledczy
- Główny śledczy: Wael C Hanna, St. Josephs Healthcare Hamilton
Publikacje i pomocne linki
Publikacje ogólne
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
- American College of Chest Physicians; Health and Science Policy Committee. Diagnosis and management of lung cancer: ACCP evidence-based guidelines. American College of Chest Physicians. Chest. 2003 Jan;123(1 Suppl):D-G, 1S-337S. No abstract available.
- Hanna WC, Yasufuku K. Bronchoscopic staging of lung cancer. Ther Adv Respir Dis. 2013 Apr;7(2):111-8. doi: 10.1177/1753465812468041. Epub 2012 Dec 20.
- Hylton DA, Turner J, Shargall Y, Finley C, Agzarian J, Yasufuku K, Fahim C, Hanna WC. Ultrasonographic characteristics of lymph nodes as predictors of malignancy during endobronchial ultrasound (EBUS): A systematic review. Lung Cancer. 2018 Dec;126:97-105. doi: 10.1016/j.lungcan.2018.10.020. Epub 2018 Oct 30.
- El-Sherief AH, Lau CT, Wu CC, Drake RL, Abbott GF, Rice TW. International association for the study of lung cancer (IASLC) lymph node map: radiologic review with CT illustration. Radiographics. 2014 Oct;34(6):1680-91. doi: 10.1148/rg.346130097.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Rozpoczęcie studiów
Zakończenie podstawowe (Rzeczywisty)
Zakończenie podstawowe
Ukończenie studiów (Rzeczywisty)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- StJoes EBUS AI (5636)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .