Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Klasyfikacja łagodnych i złośliwych guzków w płucach na podstawie nieprzetworzonych danych z tomografii komputerowej

29 czerwca 2022 zaktualizowane przez: Di Dong, Chinese Academy of Sciences

Porównanie i analiza wydajności predykcyjnej CT i surowych danych w klasyfikacji łagodnych i złośliwych guzków płucnych

Wykorzystanie obrazów medycznych w połączeniu z głębokimi sieciami neuronowymi do pomocy w diagnostyce klinicznej, efektach terapeutycznych i przewidywaniu rokowania jest obecnie gorącym punktem. Jednak wszystkie istniejące metody są projektowane w oparciu o zrekonstruowane obrazy medyczne, a nie bezstratne surowe dane. Biorąc pod uwagę, że obrazy medyczne są przeznaczone dla ludzkich oczu, a nie sztucznej inteligencji, staramy się wykorzystywać surowe dane do przewidywania złośliwości guzków płucnych i porównywać wydajność predykcyjną z CT. Eksperymenty wykażą wykonalność diagnozy na podstawie nieprzetworzonych danych z tomografii komputerowej. Uważamy, że proponowana metoda jest obiecującą zmianą obecnego schematu diagnostyki medycznej, ponieważ ma potencjał uwolnienia radiologów.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

Rutynowo stosowany schemat diagnostyczny nowotworów opiera się na procesie od sygnału do obrazu do diagnozy. Niezbędne jest zrekonstruowanie widocznych obrazów z sygnału urządzenia medycznego, aby lekarz-człowiek mógł postawić diagnozę. Jednak ogromna ilość informacji wewnątrz sygnału nie jest optymalnie wydobywana, co powoduje obecne niezadowalające działanie diagnostyki obrazowej.

W tej próbie klinicznej opracujemy oparty na sztucznej inteligencji schemat diagnostyczny guzków płuc bezpośrednio od sygnału (surowe dane) do diagnozy, pomijając etap rekonstrukcji. W tej próbie skupimy się na rozróżnianiu złośliwych od łagodnych guzków płuc. Zbierzemy zestaw danych pacjentów, u których wykryto guzki w płucach. Wszyscy pacjenci przechodzą przedoperacyjną tomografię komputerową (dostępne są surowe dane i obrazy CT) i mają potwierdzony patologicznie wynik guzków. Zbudujemy model wykorzystujący wyłącznie surowe dane do diagnozy guzków w płucach. Ponadto dla porównania zostanie zbudowany inny model z obrazu tomografii komputerowej.

Ponadto przeprowadzimy obserwację tych pacjentów i zbudujemy model oparty na surowych danych CT do analizy rokowania raka płuc.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

626

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Chiny
    • Jilin
      • Changchun, Jilin, Chiny, 130021
        • The First Hospital of Ji Lin University

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

18 lat i starsze (DOROSŁY, STARSZY_DOROŚLI)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

Pacjenci, u których za pomocą tomografii komputerowej usunięto guzki w płucach, zostaną włączeni do tego badania. Złotym standardem jest patologicznie potwierdzona złośliwość guzka.

Opis

Kryteria przyjęcia:

  1. Pacjenci, u których wykryto guzek w płucach.
  2. Dane z tomografii komputerowej i odpowiadające im surowe dane z tomografii komputerowej są dostępne przed operacją.
  3. Dostępna jest ostateczna diagnostyka patologiczna złośliwości guzka.

Kryteria wyłączenia:

  1. Wcześniejsza historia nowotworów płuc.
  2. Artefakty na obrazach TK poważnie pogarszające obserwację zmiany.
  3. Odstęp czasu między tomografią komputerową a rozpoznaniem patologii wynosi ponad 4 tygodnie.

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Pierwszy szpital Uniwersytetu Ji Lin
Zostaną zebrane dane CT i odpowiadające im surowe dane CT pacjentów z guzkiem w płucach.
Inny: Brak interwencji
Brak interwencji

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Powierzchnia pod krzywą charakterystyki pracy odbiornika (ROC)
Ramy czasowe: 8 miesięcy
Powierzchnia pod krzywą (AUC) surowych danych w rozróżnianiu guzków złośliwych od guzków łagodnych.
8 miesięcy
Przeżycie wolne od chorób
Ramy czasowe: 5 lat
Związek między surowymi danymi a przeżyciem wolnym od choroby (DFS), które zdefiniowano jako czas od początku rozpoznania raka płuca do potwierdzonego czasu nawrotu choroby lub przerzutów lub zgonu.
5 lat
Ogólne przeżycie
Ramy czasowe: 5 lat
Związek między surowymi danymi a całkowitym przeżyciem (OS), które zdefiniowano jako czas od początku rozpoznania raka płuca do zgonu z dowolnej przyczyny.
5 lat

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Chinese Academy of Sciences

Współpracownicy

The First Hospital of Jilin University
Neusoft Medical Systems Co., Ltd.

Śledczy

  • Dyrektor Studium: Yali Zang, Ph.D., Institute of Automation, Chinese Academy of Sciences

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Publikacje ogólne

Przydatne linki

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (RZECZYWISTY)

15 kwietnia 2019

Zakończenie podstawowe (RZECZYWISTY)

30 czerwca 2022

Ukończenie studiów (RZECZYWISTY)

30 czerwca 2022

Daty rejestracji na studia

Pierwszy przesłany

23 stycznia 2020

Pierwszy przesłany, który spełnia kryteria kontroli jakości

23 stycznia 2020

Pierwszy wysłany (RZECZYWISTY)

27 stycznia 2020

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (RZECZYWISTY)

30 czerwca 2022

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

29 czerwca 2022

Ostatnia weryfikacja

1 czerwca 2022

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • CASMI001

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIEZDECYDOWANY

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

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 .

Subskrybuj