Opracowanie opartego na MRI modelu głębokiego uczenia się w celu przewidywania statusu MMR
Opracowanie opartego na MRI modelu głębokiego uczenia się w celu przewidywania statusu MMR raka endometrium
Aby opracować wygodną, tanią i wszechstronną metodę przedoperacyjnego przewidywania dMMR i zmniejszenia liczby osób wymagających badań immunohistochemicznych lub genetycznych związanych z dMMR po operacji, niniejsze badanie ma na celu ustanowienie modelu głębokiego uczenia się opartego na MRI do przewidywania statusu MMR rak endometrium. Zebrano pacjentki, u których zdiagnozowano raka endometrium po operacji i które ukończyły MRI miednicy przed operacją. Do zbudowania modelu wykorzystano głębokie uczenie się, aby połączyć model kliniczny z danymi obrazu MR. Skonstruowano krzywe ROC dla grupy testującej, grupy weryfikacji wewnętrznej i grupy weryfikacji zewnętrznej oraz obliczono powierzchnię pod krzywymi ROC w celu oceny efektu diagnostycznego i stabilności modelu.
Strategia segregacji z dwoma progami została wykorzystana do selekcji populacji pMMR (poniżej dolnego progu), populacji dMMR (powyżej górnego progu) i niepewnej części populacji (między progami).
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
W tym badaniu w latach 2017-2022 zebrano pacjentki, u których po operacji zdiagnozowano raka endometrium i które przed operacją wykonały MRI miednicy. Przewiduje się zebranie w naszym szpitalu 500 przypadków, które podzielone są na 375 przypadków (grupa eksperymentalna) i 125 przypadków (wewnętrzna grupa weryfikacyjna).
100 przypadków Sun Yat-sen University Cancer Center do zewnętrznej weryfikacji. Zebrano dane kliniczne (wiek, płeć, BMI, CA125, CA19-9, stopień zaawansowania MR-T, wyniki immunohistochemiczne białek związanych z MMR) badanej populacji i przeprowadzono analizę regresji logistycznej w celu ustalenia modeli klinicznych. Wyodrębniaj, segmentuj, integruj i ulepszaj dane obrazów MR.
Do zbudowania modelu wykorzystano głębokie uczenie się, aby połączyć model kliniczny z danymi obrazu MR. Skonstruowano krzywe ROC dla grupy testującej, grupy weryfikacji wewnętrznej i grupy weryfikacji zewnętrznej oraz obliczono powierzchnię pod krzywymi ROC w celu oceny efektu diagnostycznego i stabilności modelu.
Strategia segregacji z dwoma progami została wykorzystana do selekcji populacji pMMR (poniżej dolnego progu), populacji dMMR (powyżej górnego progu) i niepewnej części populacji (między progami). Jeśli wynik predykcyjny jest powyżej dolnego progu, pacjentowi zaleca się wykonanie dalszych badań immunohistochemicznych lub genetycznych w celu potwierdzenia statusu MMR lub typu dMMR
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Jing Li
- Numer telefonu: 15915893493
- E-mail: lijing228@mail.sysu.edu.cn
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjentki, u których zdiagnozowano raka endometrium po operacji i które ukończyły MRI miednicy przed operacją w latach 2017-2022
Kryteria wyłączenia:
- (1) Nie było wyników immunohistochemicznego wykrywania białka związanego z MMR; (2) Radioterapia i chemioterapia przed MRI; (3) małe guzy trudne do zidentyfikowania na obrazie (<5 mm); (4) Jakość obrazowania T2-zależnego jest niewystarczająca do wykreślenia ROI, takich jak oczywiste artefakty ruchu; (5) Istnieją inne nowotwory ginekologiczne
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Grupa testowa
375 pacjentów naszego szpitala, losowo podzielonych.
|
500 pacjentów naszego szpitala zostało losowo podzielonych na grupę testową i wewnętrzną grupę walidacyjną, a 100 pacjentów w szpitalu współpracującym było zewnętrzną grupą walidacyjną.
|
|
Wewnętrzna grupa walidacyjna
125 pacjentów naszego szpitala, losowo podzielonych.
|
500 pacjentów naszego szpitala zostało losowo podzielonych na grupę testową i wewnętrzną grupę walidacyjną, a 100 pacjentów w szpitalu współpracującym było zewnętrzną grupą walidacyjną.
|
|
Zewnętrzna grupa walidacyjna
100 pacjentów Centrum Onkologii Uniwersytetu Sun Yat-sena
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Powierzchnia pod krzywą charakterystyki pracy odbiornika (AUROC)
Ramy czasowe: rok
|
Do oceny wydajności modeli wykorzystano obszar pod krzywą charakterystyki działania odbiornika (AUROC).
|
rok
|
Współpracownicy i badacze
Współpracownicy
Śledczy
- Główny śledczy: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Oczekiwany)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SYSKY-2023-084-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .