Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Модель прогнозирования CP-EBUS в диагностике лимфатических узлов

31 марта 2020 г. обновлено: Jiayuan Sun, Shanghai Chest Hospital

Модель прогнозирования на основе глубокого обучения мультимодального изображения CP-EBUS в диагностике доброкачественных и злокачественных лимфатических узлов

Мультимодальное изображение эндобронхиального ультразвука (EBUS), включающее шкалу серого, допплер кровотока и эластографию, может использоваться в качестве неинвазивной диагностики и дополнять патологический результат, что имеет важное значение для клинического применения. В этом исследовании будет создана мультимодальная база данных изображений EBUS из 1000 внутригрудных доброкачественных и злокачественных лимфатических узлов (ЛУ) для обучения нейронных сетей глубокого обучения, которые могут автоматически выбирать репрезентативные изображения и диагностировать ЛУ. Исследователи создадут модель прогнозирования искусственного интеллекта, основанную на глубоком изучении внутригрудных ЛУ, и проверят модель на других 300 ЛУ.

Обзор исследования

Статус

Неизвестный

Условия

Болезнь лимфатических узлов

Подробное описание

Увеличение внутригрудных ЛУ имеет широкий спектр заболеваний, среди которых наиболее частым злокачественным заболеванием является метастазирование внутригрудных ЛУ рака легкого. Доброкачественные поражения, включая воспаление, туберкулез и саркоидоз, также необходимо дифференцировать для целенаправленного лечения.

Мультимодальное изображение EBUS, включающее шкалу серого, допплер кровотока и эластографию, может использоваться в качестве неинвазивной диагностики и дополнять патологический результат, что имеет важное значение для клинического применения. Это исследование включает в себя две части: ретроспективное построение модели прогнозирования искусственного интеллекта EBUS и многоцентровую проспективную проверку модели прогнозирования. Всего в исследовании будет задействовано 1300 LN.

Во время сохранения видеороликов исследуются целевые ЛУ и периферические сосуды с помощью ультразвуковых аппаратов (EU-ME2, Olympus или Hi-vision Avius, Hitachi), оснащенных функциями эластографии и доплера, а также ультразвуковой бронхоскопии (BF-UC260FW, Olympus или EB1970UK, Pentax). . Собираются данные мультимодального изображения целевых LN.

Исследователи построят модель прогнозирования искусственного интеллекта на основе глубокого обучения, сначала используя изображения из 1000 LN, а затем проверят модель на других 300 LN. Эта модель будет сравниваться с традиционными методами качественной и количественной оценки для проверки диагностической эффективности.

Тип исследования

Наблюдательный

Регистрация (Ожидаемый)

1300

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

Китай
- Shanghai
  - Shanghai, Shanghai, Китай, 200030
    - Рекрутинг
    - Shanghai Chest Hospital
    - Контакт:
      
      Jiayuan Sun, PhD
      
      Номер телефона: 1511 86-21-22200000
      
      Электронная почта: jysun1976@163.com

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

18 лет и старше (Взрослый, Пожилой взрослый)

Принимает здоровых добровольцев

Н/Д

Полы, имеющие право на обучение

Все

Метод выборки

Невероятностная выборка

Исследуемая популяция

В это исследование включаются пациенты с увеличенными внутригрудными ЛУ, которые необходимо диагностировать с помощью EBUS-TBNA.

Описание

Критерии включения:

КТ грудной клетки показывает увеличенные внутригрудные ЛУ (короткий диаметр > 1 см), или ПЭТ/КТ показывает пациентов с повышенным поглощением ФДГ (SUV ≥ 2,0) во внутригрудных ЛУ;
Операционный врач считает, что EBUS-TBNA следует проводить на ЛУ для диагностики или предоперационной стадии рака легкого;
Пациенты соглашаются пройти EBUS-TBNA, подписывают информированное согласие и не имеют противопоказаний.

Критерий исключения:

- Пациенты с другими ситуациями, не подходящими для EBUS-TBNA.

Учебный план

В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Количество групп / когорт

Когорты и вмешательства

Группа / когорта
Группа проспективной проверки В разделе проспективной проверки будут использоваться два метода диагностики: один — традиционный качественный и количественный метод, другой — модель прогнозирования искусственного интеллекта, основанная на видео, для сравнения эффективности диагностики.

Группа / когорта

Группа проспективной проверки

В разделе проспективной проверки будут использоваться два метода диагностики: один — традиционный качественный и количественный метод, другой — модель прогнозирования искусственного интеллекта, основанная на видео, для сравнения эффективности диагностики.

Что измеряет исследование?

Первичные показатели результатов

Мера результата	Мера Описание	Временное ограничение
Диагностическая эффективность мультимодальной модели прогнозирования искусственного интеллекта EBUS на основе видео Временное ограничение: 6 месяцев после процедуры	Диагностическая эффективность включает чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность и диагностическую точность.	6 месяцев после процедуры

Вторичные показатели результатов

Мера результата	Мера Описание	Временное ограничение
Диагностическая эффективность традиционных качественных и количественных методов Временное ограничение: 6 месяцев после процедуры	Диагностическая эффективность включает чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность и диагностическую точность.	6 месяцев после процедуры
Диагностическая эффективность мультимодальной модели глубокого обучения на основе изображений Временное ограничение: 6 месяцев после процедуры	Диагностическая эффективность включает чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность и диагностическую точность.	6 месяцев после процедуры
Сравнение модели прогнозирования на основе глубокого обучения с традиционными качественными и количественными методами Временное ограничение: 6 месяцев после процедуры	Диагностическая эффективность включает чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность и диагностическую точность.	6 месяцев после процедуры

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Shanghai Chest Hospital

Публикации и полезные ссылки

Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.

Общие публикации

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

1 июля 2018 г.

Первичное завершение (Ожидаемый)

30 июня 2020 г.

Завершение исследования (Ожидаемый)

31 декабря 2020 г.

Даты регистрации исследования

Первый отправленный

2 декабря 2019 г.

Впервые представлено, что соответствует критериям контроля качества

29 марта 2020 г.

Первый опубликованный (Действительный)

31 марта 2020 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

2 апреля 2020 г.

Последнее отправленное обновление, отвечающее критериям контроля качества