Multimodalny model głębokiego uczenia się przewiduje rokowanie w przypadku raka trzustki
5 stycznia 2026 zaktualizowane przez: Second Affiliated Hospital, School of Medicine, Zhejiang University
Przewidywanie rokowania w przypadku raka trzustki przy użyciu multimodalnego modelu głębokiego uczenia się opartego na wewnątrznowotworowym mikrośrodowisku immunologicznym
W tym badaniu opisano rozwój i walidację modelu przewidywania głębokiego uczenia się, który wyodrębnia cechy głębokiego uczenia się z przedoperacyjnych wzmocnionych skanów CT i analizuje pooperacyjne patologiczne próbki pacjentów z rakiem trzustki.
Celem jest przewidzenie rokowania pacjenta i odpowiedzi na leczenie chemioterapią.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
W badaniu tym zebrano retrospektywnie ulepszone dane z tomografii komputerowej, patologiczne bloki parafinowe i dane kliniczne od pacjentów z rakiem trzustki, którzy przeszli operację w wielu ośrodkach w okresie od marca 2013 r. do maja 2024 r.
Patologiczne bloki parafinowe barwiono metodą immunohistochemiczną pod kątem prognostycznych markerów mikrośrodowiska immunologicznego i na podstawie tych wyników klasyfikowano pacjentów.
Następnie z ulepszonych skanów CT wyodrębniono funkcje głębokiego uczenia się i skonstruowano multimodalny model predykcyjny, korzystając z funkcji obrazowania i informacji klinicznych.
Wydajność modelu oceniano za pomocą wskaźników obejmujących obszar pod krzywą charakterystyki działania odbiornika (AUC), dokładność, czułość i swoistość.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
247
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Zhejiang
-
Hangzhou, Zhejiang, Chiny, 310009
- The Second Affiliated Hospital Zhejiang University School of Medicine
-
-
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
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Pacjenci z rakiem trzustki, którzy przeszli operację i otrzymali chemioterapię uzupełniającą po operacji.
Opis
Kryteria włączenia:
- Pacjenci z rakiem trzustki, diagnozowanym metodą patologiczną,
- Pacjenci przeszli operację, a po operacji otrzymali chemioterapię uzupełniającą.
Kryteria wykluczenia:
- Brak lub nieodpowiednia jakość tomografii komputerowej,
- Niekompletne dane kliniczno-patologiczne.
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 |
|---|---|
|
Kohorta Treningowa
Pacjenci ze zdiagnozowanym rakiem trzustki, którzy przeszli operację i inne metody leczenia w Drugim Szpitalu Stowarzyszonym Szkoły Medycznej Uniwersytetu Zhejiang
|
Wysokoprzepustowa ekstrakcja ilościowych cech obrazu z obrazów medycznych
Analiza immunohistochemiczna
|
|
Kohorta testowa
Pacjenci ze zdiagnozowanym rakiem trzustki, którzy przeszli operację i inne leczenie w Czwartym Szpitalu Stowarzyszonym, Szkole Medycznej Uniwersytetu Zhejiang i Szpitalu Tradycyjnej Medycyny Chińskiej w Hangzhou
|
Wysokoprzepustowa ekstrakcja ilościowych cech obrazu z obrazów medycznych
Analiza immunohistochemiczna
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wydajność modelu głębokiego uczenia się
Ramy czasowe: Leczenie podstawowe
|
Wydajność modelu oceniano za pomocą wskaźników obejmujących obszar pod krzywą charakterystyki działania odbiornika (AUC), dokładność, czułość i swoistość.
|
Leczenie podstawowe
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Współpracownicy
Śledczy
- Główny śledczy: Yulian Wu, PhD., Second Affiliated Hospital of Zhejiang University School of Medicine
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
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)
5 lipca 2024
Zakończenie podstawowe (Rzeczywisty)
15 grudnia 2024
Ukończenie studiów (Rzeczywisty)
3 stycznia 2026
Daty rejestracji na studia
Pierwszy przesłany
29 grudnia 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
29 grudnia 2024
Pierwszy wysłany (Rzeczywisty)
6 stycznia 2025
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
7 stycznia 2026
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
5 stycznia 2026
Ostatnia weryfikacja
1 lipca 2024
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- PCPAI
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
produkt wyprodukowany i wyeksportowany z USA
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 .