Modelo de predição de CP-EBUS no diagnóstico de linfonodos
31 de março de 2020 atualizado por: Jiayuan Sun, Shanghai Chest Hospital
Modelo de Predição Baseado em Deep Learning de Imagem Multimodal CP-EBUS no Diagnóstico de Linfonodos Benignos e Malignos
A imagem multimodal de ultrassom endobrônquico (EBUS), incluindo escala de cinza, doppler de fluxo sanguíneo e elastografia, pode ser usada como diagnóstico não invasivo e complementar o resultado patológico, que tem importante valor de aplicação clínica.
Neste estudo, o banco de dados de imagens multimodais EBUS de 1000 linfonodos benignos e malignos (LNs) intratorácicos será construído para treinar redes neurais de aprendizado profundo, que podem selecionar automaticamente imagens representativas e diagnosticar LNs.
Os investigadores estabelecerão um modelo de previsão de inteligência artificial com base no aprendizado profundo de LNs intratorácicos e verificarão o modelo em outros 300 LNs.
Visão geral do estudo
Status
Desconhecido
Condições
Descrição detalhada
O alargamento dos NLs intratorácicos tem uma ampla gama de doenças, entre as quais a metástase de NLs intratorácicos de câncer de pulmão é a doença maligna mais comum. Lesões benignas, incluindo inflamação, tuberculose e sarcoidose, também precisam ser diferenciadas para tratamento direcionado.
A imagem multimodal EBUS, incluindo escala de cinza, doppler de fluxo sanguíneo e elastografia, pode ser usada como diagnóstico não invasivo e complementar o resultado patológico, que tem importante valor de aplicação clínica. Este estudo inclui duas partes: construção retrospectiva do modelo de previsão de inteligência artificial EBUS e validação prospectiva multicêntrica do modelo de previsão. Um total de 1300 LNs será inscrito no estudo.
Durante a retenção de vídeos, os LNs alvo e os vasos periféricos são examinados usando hosts de ultrassom (EU-ME2, Olympus ou Hi-vision Avius, Hitachi) equipados com funções de elastografia e doppler e broncoscopia de ultrassom (BF-UC260FW, Olympus ou EB1970UK, Pentax) . Os dados de imagem multimodal dos LNs de destino são coletados.
Os investigadores construirão um modelo de previsão de inteligência artificial baseado em aprendizado profundo usando imagens de 1.000 LNs primeiro e verificarão o modelo em outros 300 LNs. Este modelo será comparado com métodos tradicionais de avaliação qualitativa e quantitativa para verificar a eficácia diagnóstica.
Tipo de estudo
Observacional
Inscrição (Antecipado)
1300
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Shanghai
-
Shanghai, Shanghai, China, 200030
- Recrutamento
- Shanghai Chest Hospital
-
Contato:
- Jiayuan Sun, PhD
- Número de telefone: 1511 86-21-22200000
- E-mail: jysun1976@163.com
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
18 anos e mais velhos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
N/D
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Pacientes com LNs intratorácicos aumentados que precisam ser diagnosticados por EBUS-TBNA são incluídos neste estudo.
Descrição
Critério de inclusão:
- TC de tórax mostra LNs intratorácicos aumentados (diâmetro curto > 1 cm) ou PET/CT mostra pacientes com captação aumentada de FDG (SUV ≧ 2,0) em LNs intratorácicos;
- O médico operacional considerou que EBUS-TBNA deve ser realizado em LNs para diagnóstico ou estadiamento pré-operatório de câncer de pulmão;
- Os pacientes concordam em se submeter a EBUS-TBNA, assinam o consentimento informado e não têm contraindicações.
Critério de exclusão:
- Pacientes com outras situações que não são adequadas para EBUS-TBNA.
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
|---|
|
Grupo de validação prospectiva
Dois métodos de diagnóstico serão usados na seção de validação prospectiva, um é o método qualitativo e quantitativo tradicional, o outro é o modelo de previsão de inteligência artificial baseado em vídeos para comparar a eficácia diagnóstica.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Eficácia diagnóstica do modelo de predição de inteligência artificial multimodal EBUS baseado em vídeos
Prazo: 6 meses pós-procedimento
|
A eficácia diagnóstica inclui sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo e precisão diagnóstica.
|
6 meses pós-procedimento
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Eficácia diagnóstica de métodos qualitativos e quantitativos tradicionais
Prazo: 6 meses pós-procedimento
|
A eficácia diagnóstica inclui sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo e precisão diagnóstica.
|
6 meses pós-procedimento
|
|
Eficácia diagnóstica do modelo de aprendizado profundo multimodal baseado em imagens
Prazo: 6 meses pós-procedimento
|
A eficácia diagnóstica inclui sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo e precisão diagnóstica.
|
6 meses pós-procedimento
|
|
Comparação do modelo de previsão baseado em aprendizado profundo com métodos qualitativos e quantitativos tradicionais
Prazo: 6 meses pós-procedimento
|
A eficácia diagnóstica inclui sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo e precisão diagnóstica.
|
6 meses pós-procedimento
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- Sun J, Teng J, Yang H, Li Z, Zhang J, Zhao H, Garfield DH, Han B. Endobronchial ultrasound-guided transbronchial needle aspiration in diagnosing intrathoracic tuberculosis. Ann Thorac Surg. 2013 Dec;96(6):2021-7. doi: 10.1016/j.athoracsur.2013.07.005. Epub 2013 Sep 12.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Saftoiu A, Vilmann P, Gorunescu F, Janssen J, Hocke M, Larsen M, Iglesias-Garcia J, Arcidiacono P, Will U, Giovannini M, Dietrich C, Havre R, Gheorghe C, McKay C, Gheonea DI, Ciurea T; European EUS Elastography Multicentric Study Group. Accuracy of endoscopic ultrasound elastography used for differential diagnosis of focal pancreatic masses: a multicenter study. Endoscopy. 2011 Jul;43(7):596-603. doi: 10.1055/s-0030-1256314. Epub 2011 Mar 24.
- Izumo T, Sasada S, Chavez C, Matsumoto Y, Tsuchida T. Endobronchial ultrasound elastography in the diagnosis of mediastinal and hilar lymph nodes. Jpn J Clin Oncol. 2014 Oct;44(10):956-62. doi: 10.1093/jjco/hyu105. Epub 2014 Aug 13.
- Steinfort DP, Conron M, Tsui A, Pasricha SR, Renwick WE, Antippa P, Irving LB. Endobronchial ultrasound-guided transbronchial needle aspiration for the evaluation of suspected lymphoma. J Thorac Oncol. 2010 Jun;5(6):804-9. doi: 10.1097/jto.0b013e3181d873be.
- Fujiwara T, Yasufuku K, Nakajima T, Chiyo M, Yoshida S, Suzuki M, Shibuya K, Hiroshima K, Nakatani Y, Yoshino I. The utility of sonographic features during endobronchial ultrasound-guided transbronchial needle aspiration for lymph node staging in patients with lung cancer: a standard endobronchial ultrasound image classification system. Chest. 2010 Sep;138(3):641-7. doi: 10.1378/chest.09-2006. Epub 2010 Apr 9.
- Nakajima T, Anayama T, Shingyoji M, Kimura H, Yoshino I, Yasufuku K. Vascular image patterns of lymph nodes for the prediction of metastatic disease during EBUS-TBNA for mediastinal staging of lung cancer. J Thorac Oncol. 2012 Jun;7(6):1009-14. doi: 10.1097/JTO.0b013e31824cbafa.
- Wang L, Wu W, Hu Y, Teng J, Zhong R, Han B, Sun J. Sonographic Features of Endobronchial Ultrasonography Predict Intrathoracic Lymph Node Metastasis in Lung Cancer Patients. Ann Thorac Surg. 2015 Oct;100(4):1203-9. doi: 10.1016/j.athoracsur.2015.04.143. Epub 2015 Jul 28.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de julho de 2018
Conclusão Primária (Antecipado)
30 de junho de 2020
Conclusão do estudo (Antecipado)
31 de dezembro de 2020
Datas de inscrição no estudo
Enviado pela primeira vez
2 de dezembro de 2019
Enviado pela primeira vez que atendeu aos critérios de CQ
29 de março de 2020
Primeira postagem (Real)
31 de março de 2020
Atualizações de registro de estudo
Última Atualização Postada (Real)
2 de abril de 2020
Última atualização enviada que atendeu aos critérios de controle de qualidade
31 de março de 2020
Última verificação
1 de março de 2020
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
- SHCHE201906
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
INDECISO
Descrição do plano IPD
Os investigadores podem liberar o banco de dados após o estudo, mas nenhuma decisão foi tomada ainda.
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .