Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Användningen av artificiell intelligens för att förutsäga cancerlymfkörtlar för stadieindelning av lungcancer under ultraljudsundersökning

10 mars 2020 uppdaterad av: Wael Hanna, St. Joseph's Healthcare Hamilton

Utveckling och validering av en datorstödd algoritm som använder artificiell intelligens och djupa neurala nätverk för segmentering av ultraljudsegenskaper hos lymfkörtlar under endobronkialt ultraljud

Den här studien syftar till att avgöra om ett nätverk för djup neural artificiell intelligens (AI) (NeuralSeg) kan lära sig hur man tilldelar Canadas lymfkörtelpoäng till lymfkörtlar som undersöks med endobronkial ultraljudstransbronkial nålspiration (EBUS-TBNA), med hjälp av segmenteringstekniken. Bilder kommer att skapas från 300 lymfkörtlar-videor från ett potentiellt bibliotek och kommer att användas som en härledningsuppsättning för att utveckla algoritmen. Ytterligare 100 lymfkörtelbilder kommer att samlas in prospektivt för att validera om NeuralSeg kan tillämpa poängen korrekt.

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Faktisk)

52

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Kanada
    • Ontario
      • Hamilton, Ontario, Kanada, L8N 4A6
        • St. Joseph's Healthcare Hamilton

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

18 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Fas A kräver ingen patientregistrering. Fas B kommer att kräva prospektiv inskrivning av patienter för att få valideringsuppsättningen av nya lymfkörtelvideor. Alla patienter som är planerade att genomgå en EBUS-TBNA-procedur för mediastinal stadieindelning av NSCLC vid St. Joseph's Healthcare Hamilton kommer att vara berättigade att delta i denna studie. Det finns inga uteslutningskriterier. Alla patienter kommer att genomgå EBUS-TBNA enligt rutinvård, förutom den ena skillnaden där procedurerna kommer att videospelas så att de kan användas för datoranalys vid ett senare tillfälle.

Beskrivning

Inklusionskriterier:

  • måste diagnostiseras med bekräftad eller misstänkt lungcancer och genomgå EBUS-diagnos/stadieindelning

Exklusions kriterier:

  • Ingen

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Utveckling av datoralgoritm för att identifiera lymfkörtelultraljudsegenskaper
Tidsram: Från retrospektiv datainsamling till algoritmutveckling (1 månad)
Syfte: att avgöra om ett djupt neuralt AI-nätverk (NeuralSeg) kan lära sig hur man tilldelar Canadas lymfkörtelpoäng till lymfkörtlar som undersöks av EBUS, med hjälp av segmenteringstekniken på en befintlig (avledning) uppsättning lymfkörtelvideor
Från retrospektiv datainsamling till algoritmutveckling (1 månad)
Validering av datoralgoritm för att identifiera lymfkörtelultraljudsegenskaper
Tidsram: Från framtida datainsamling till algoritmvalidering (6 månader)
Syfte: att avgöra om NeuralSeg korrekt kan tillämpa Kanadas lymfkörtelpoäng på en ny (validerings) uppsättning lymfkörtelvideor som den aldrig har sett förut
Från framtida datainsamling till algoritmvalidering (6 månader)

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet och tillförlitlighet för segmenteringen utförd av NeuralSeg
Tidsram: Från segmentering utförd av kirurg till segmentering utförd av NeuralSeg (1 månad)
Mål: att jämföra noggrannheten och tillförlitligheten av segmenteringen utförd av NeuralSeg med segmenteringen utförd av en erfaren endoskopisk kirurg med hjälp av DICE-SORENSEN-koefficienter.
Från segmentering utförd av kirurg till segmentering utförd av NeuralSeg (1 månad)
NeuralSeg förutsägelse av lymfkörtelmalignitet
Tidsram: Från NeuralSeg-algoritm som används på EBUS-avbildning till biopsirapport (uppskattat upp till 2-3 månader)
Mål: att avgöra om NeuralSeg exakt kan förutsäga malignitet i lymfkörteln jämfört med biopsiresultat av den lymfkörtel som undersöktes.
Från NeuralSeg-algoritm som används på EBUS-avbildning till biopsirapport (uppskattat upp till 2-3 månader)

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

St. Joseph's Healthcare Hamilton

Utredare

  • Huvudutredare: Wael C Hanna, St. Josephs Healthcare Hamilton

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

8 april 2019

Primärt slutförande (Faktisk)

23 september 2019

Avslutad studie (Faktisk)

20 november 2019

Studieregistreringsdatum

Först inskickad

19 februari 2019

Först inskickad som uppfyllde QC-kriterierna

20 februari 2019

Första postat (Faktisk)

21 februari 2019

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

11 mars 2020

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

10 mars 2020

Senast verifierad

1 mars 2020

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • StJoes EBUS AI (5636)

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Kliniska prövningar på Lungsjukdomar

Kliniska prövningar på Endobronkialt ultraljud

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Cameroon

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera