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

Wykorzystanie sztucznej inteligencji do przewidywania wyników leczenia raka odbytnicy

9 lutego 2023 zaktualizowane przez: Taichung Veterans General Hospital

Wykorzystanie rozpoznawania obrazu CNN do przewidywania wyników leczenia raka odbytnicy

Badacz retrospektywny zbiera przypadki w latach 2010-2021 zdiagnozowane jako gruczolakorak odbytnicy z wysokiej jakości obrazami CT. Lokalne zaawansowane przypadki raka odbytnicy zostały oznaczone jako „choroba”. Nie zdefiniowano też „normalnego”.

Korzystanie ze sztucznej inteligencji CNN na notebooku jupyter z otwartym kodem fitonowym do trenowania i opracowywania modeli zdolnych do rozpoznawania miejscowego zaawansowanego raka odbytnicy. Zmodyfikuj kod fitonu, aby lepiej przewidywać odsetek i pomóc lekarzowi w szybkiej ocenie ciężkości choroby w przypadku świeżych przypadków raka odbytnicy.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

Od 2010.10.1~2021.12.31 uwzględniono pacjentów z rakiem odbytnicy ze zmianą cT3-4. Zbieraj wysokiej jakości obrazy CT z plikami DICOM w segmencie guza. cT1-2, niskie zmiany w odbytnicy, przypadki bez CRC nie zostały uwzględnione. Wykluczono również obrazy bez kontrastu i sztuczne defekty. Obrazy CT zostały oznaczone jako „zaburzone”, gdy CRM był zagrożony (<2 mm). Wszystkie obrazy zostały oznaczone zgodnie z oceną 2 specjalistów. Dane podzielono na 2 części. Jeden do szkolenia i testowania modeli AI, drugi do zewnętrznej walidacji. Zbiór danych do testowania treningu został uzyskany dzięki głębokiemu uczeniu sieci neuronowej i ocenie wydajności dokładności modelu. Następnie model zastosowano w zewnętrznym zbiorze danych walidacyjnych do testów w świecie rzeczywistym, oceniając spójny współczynnik między sztuczną inteligencją a decyzją dr. Ponadto, aby zobaczyć wyniki przeżycia raka zgodnie z wynikami przewidywania modelu AI.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

720

Kontakty i lokalizacje

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

Lokalizacje studiów

  • Tajwan
      • Taichung, Tajwan
        • Taichung Verterans General Hospital

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

20 lat do 100 lat (DOROSŁY, STARSZY_DOROŚLI)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Rak odbytnicy zdiagnozowany w okresie 2010.10.1-2022.7.31. kliniczna zmiana T3-4. z wysokiej jakości obrazami CT z kontrastem.

Opis

Kryteria przyjęcia:

  • stopień zaawansowania klinicznego T3-4 z wysokiej jakości obrazami CT.

Kryteria wyłączenia:

  • 1. zmiana niezłośliwa pierwotna
  • 2. brak lokalizacji odbytnicy
  • 3. Zmiana T1-2
  • 4. obrazy o słabym kontraście lub słabej jakości

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
obrazy zmian raka odbytnicy do treningu
Obrazy zmian nowotworowych odbytnicy. Obrazy z zagrożonym (<2mm) obwodowym marginesem raka odbytnicy zostały oznaczone jako „choroby”. W przeciwnym razie obrazy zostały oznaczone jako „normalne”. Wykorzystanie tych materiałów jako materiałów szkoleniowych do budowania modelu głębokiego uczenia AI.
Inny: Jako materiał szkoleniowy dla modelu głębokiego uczenia się.
Wykorzystanie oznaczonych obrazów jako materiałów szkoleniowych dla sztucznej inteligencji do opracowania modelu wykrywania obiektów.
obrazy zmian raka odbytnicy do badań.
Korzystanie z modeli uczenia głębokiego sztucznej inteligencji na podstawie kohorty szkoleniowej. Ocena współczynnika predykcji modelu i analizy wyników przeżycia.
Inny: Jako materiały do ​​zewnętrznej walidacji modelu buildup.
Wykorzystanie zewnętrznego zestawu walidacyjnego do oceny wskaźnika predykcji i wyniku przeżycia.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
dokładność sztucznej inteligencji z doświadczonym lekarzem
Ramy czasowe: 1 tydzień po zrobieniu zdjęć.
dokładność między sztuczną inteligencją a doświadczonym lekarzem
1 tydzień po zrobieniu zdjęć.

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
rzeczywisty wynik przeżycia diagnozy przez sztuczną inteligencję.
Ramy czasowe: 5 lat po zdiagnozowaniu
rzeczywisty wynik przeżycia przez sztuczną inteligencję.
5 lat po zdiagnozowaniu

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Taichung Veterans General Hospital

Śledczy

  • Główny śledczy: ChunuYu Lin, M.D., Taichung Veterans General Hospital

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)

1 października 2010

Zakończenie podstawowe (RZECZYWISTY)

31 lipca 2022

Ukończenie studiów (RZECZYWISTY)

31 grudnia 2022

Daty rejestracji na studia

Pierwszy przesłany

5 stycznia 2023

Pierwszy przesłany, który spełnia kryteria kontroli jakości

9 lutego 2023

Pierwszy wysłany (RZECZYWISTY)

13 lutego 2023

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (RZECZYWISTY)

13 lutego 2023

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

9 lutego 2023

Ostatnia weryfikacja

1 lutego 2023

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • CE21235B

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 .

Badania kliniczne na III stadium raka odbytnicy

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Canada

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj