Aplicação da Tecnologia de Análise de Imagem Hiperespectral no Diagnóstico de Câncer Colorretal Baseado em Biópsia Colonoscópica
16 de dezembro de 2022 atualizado por: Xiuli Zuo, Shandong University
O objetivo deste estudo é desenvolver e validar um algoritmo de aprendizado profundo para o diagnóstico de câncer colorretal e outras doenças colorretais, marcando e analisando as características de imagens hiperespectrais com base nos resultados patológicos da biópsia colonoscópica, de modo a melhorar a objetividade e a inteligência de diagnóstico precoce do câncer colorretal.
Visão geral do estudo
Status
Recrutamento
Descrição detalhada
Colete prospectivamente as informações da imagem hiperespectral do tecido de biópsia colonoscópica comum.
O tecido da biópsia colonoscópica é do Centro de Endoscopia do Hospital Qilu da Universidade de Shandong.
As imagens hiperespectrais são marcadas com base nos resultados patológicos da biópsia, e o modelo de rede neural convolucional profunda (DCNN) é usado.
Com treinamento e verificação, desenvolva o Sistema de Diagnóstico de Inteligência Artificial de Imagem Hiperespectral (HSIAIDS). Uma porção de tecido de biópsia colonoscópica será coletada como um conjunto de teste prospectivo para testar prospectivamente o desempenho diagnóstico do algoritmo HSIAIDS.
Tipo de estudo
Observacional
Inscrição (Antecipado)
50
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.
Contato de estudo
- Nome: Xiuli Zuo, MD,PhD
- Número de telefone: 15588818685
- E-mail: zuoxiuli@sina.com
Locais de estudo
-
-
Shandong
-
Jinan, Shandong, China, 250012
- Recrutamento
- Qilu hosipital
-
-
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 a 75 anos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
pacientes de 18 a 75 anos submetidos ao exame de colonoscopia e biópsia;
Descrição
Critério de inclusão:
- pacientes de 18 a 75 anos que se submetem ao exame de colonoscopia e biópsia
Critério de exclusão:
- pacientes com disfunção cardíaca, cerebral, pulmonar ou renal grave ou distúrbios psiquiátricos que não podem participar da colonoscopia
- pacientes com procedimentos cirúrgicos prévios no trato gastrointestinal.
- pacientes com contra-indicações para biópsia
- pacientes que se recusam a assinar o termo de consentimento informado
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
- Modelos de observação: Coorte
- Perspectivas de Tempo: Prospectivo
Coortes e Intervenções
Grupo / Coorte |
|---|
|
Grupo de algoritmos de aprendizado profundo
Após a aprovação do paciente na triagem, uma colonoscopia de rotina será realizada e o tecido alvo com suspeita de inflamação ou neoplasia será biopsiado.
Os investigadores clínicos usam o microscópio hiperespectral para coletar informações de imagem do tecido da biópsia na sala de endoscopia.
Após a coleta de informações, os espécimes de biópsia serão rotineiramente processados e enviados para diagnóstico patológico.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão do modelo de inteligência artificial HSI para identificar adenoma e câncer colorretal
Prazo: 1 ano
|
Precisão do modelo de inteligência artificial de imagem hiperespectral (HSI) para identificar pólipos hiperplásicos colorretais, adenomas, SSL e câncer colorretal.
Precisão dos modelos de inteligência artificial Precisão = (verdadeiros positivos + verdadeiros negativos) / número total de sujeitos * 100%
|
1 ano
|
|
Sensibilidade
Prazo: 1 ano
|
Sensibilidade do modelo de inteligência artificial HSI Sensibilidade = número de verdadeiros positivos / (número de verdadeiros positivos + número de falsos negativos) * 100%.
|
1 ano
|
|
Especificidade
Prazo: 1 ano
|
Especificidade do Modelo de Inteligência Artificial HSI Especificidade = número de verdadeiros negativos / (número de verdadeiros negativos + número de falsos positivos))*100%
|
1 ano
|
|
Valores preditivos negativos (VPN)
Prazo: 1 ano
|
Valores preditivos negativos para o modelo de inteligência artificial HSI = número de verdadeiros negativos / (número de verdadeiros negativos + número de falsos negativos)*100%
|
1 ano
|
|
AUC (95% CI)
Prazo: 1 ano
|
área sob a curva característica de operação do receptor (AUC)
|
1 ano
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Registrar e avaliar quaisquer riscos desconhecidos e eventos adversos de imagens hiperespectrais na aquisição de imagens de espécimes
Prazo: 1 ano
|
Registrar e avaliar quaisquer riscos desconhecidos e eventos adversos de imagens hiperespectrais na aquisição de imagens de espécimes
|
1 ano
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Cadeira de estudo: Xiuli Zuo, MD,PhD, Study Principal Investigator
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)
8 de outubro de 2022
Conclusão Primária (Antecipado)
31 de dezembro de 2023
Conclusão do estudo (Antecipado)
31 de dezembro de 2023
Datas de inscrição no estudo
Enviado pela primeira vez
8 de outubro de 2022
Enviado pela primeira vez que atendeu aos critérios de CQ
8 de outubro de 2022
Primeira postagem (Real)
12 de outubro de 2022
Atualizações de registro de estudo
Última Atualização Postada (Real)
21 de dezembro de 2022
Última atualização enviada que atendeu aos critérios de controle de qualidade
16 de dezembro de 2022
Última verificação
1 de outubro de 2022
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
- Doenças do aparelho digestivo
- Neoplasias por Tipo Histológico
- Neoplasias
- Neoplasias por local
- Neoplasias Glandulares e Epiteliais
- Neoplasias gastrointestinais
- Neoplasias do Aparelho Digestivo
- Doenças Gastrointestinais
- Doenças do cólon
- Doenças Intestinais
- Neoplasias Intestinais
- Doenças retais
- Neoplasias Colorretais
- Adenoma
Outros números de identificação do estudo
- 2022-SDU-QILU-G003
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 .