Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
22 de junho de 2026 atualizado por: Yunnan Cancer Hospital
Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation
This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS).
To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.
Visão geral do estudo
Status
Ainda não está recrutando
Condições
Tipo de estudo
Intervencional
Inscrição (Estimado)
1800
Estágio
- Não aplicável
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: Zhenhui LI
- Número de telefone: 13698736132
- E-mail: lizhenhui@kmmu.edu.cn
Estude backup de contato
- Nome: Yu Xie
- Número de telefone: 13708445492
- E-mail: xieyu@kmmu.edu.cn
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Descrição
Inclusion Criteria:
- Histopathologically confirmed invasive breast cancer;
- Planned to receive a full course of neoadjuvant therapy;
- Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.
Exclusion Criteria:
- Previous history of ipsilateral breast cancer or chest radiotherapy;
- Distant metastasis (Stage IV);
- Poor image quality or missing clinical data exceeding 20%.
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
- Finalidade Principal: Diagnóstico
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
|
MRI and ultrasound were performed in addition to conventional treatment regimens
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Prazo: From enrollment to the end of surgery
|
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed.
Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
|
From enrollment to the end of surgery
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Prognostic predictive value of multimodal data for breast cancer
Prazo: From enrollment to the end of surgery
|
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS).
Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
|
From enrollment to the end of surgery
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Diretor de estudo: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital
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 (Estimado)
1 de junho de 2026
Conclusão Primária (Estimado)
31 de dezembro de 2026
Conclusão do estudo (Estimado)
30 de junho de 2029
Datas de inscrição no estudo
Enviado pela primeira vez
19 de maio de 2026
Enviado pela primeira vez que atendeu aos critérios de CQ
22 de junho de 2026
Primeira postagem (Real)
26 de junho de 2026
Atualizações de registro de estudo
Última Atualização Postada (Real)
26 de junho de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
22 de junho de 2026
Última verificação
1 de maio de 2026
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- KYLX2026-205
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
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 .