Integrering av kvantitativ MR och artificiell intelligens för att förbättra klassificeringen av prostatacancer
2 juli 2026 uppdaterad av: Jonsson Comprehensive Cancer Center
Denna studie utvärderar hur ny magnetisk resonanstomografi (MRT) och artificiell intelligens förbättrar bildkvaliteten och kvantitativ information för framtida prostata MRT-undersökningar hos patienter med misstanke om bekräftad prostatacancer.
MRT och artificiell intelligens som utvecklats i denna studie kan förbättra noggrannheten vid diagnostisering av prostatacancer i framtiden med mindre invasiva tekniker än vad som för närvarande används.
Studieöversikt
Status
Rekrytering
Betingelser
Intervention / Behandling
Detaljerad beskrivning
PRIMÄRA MÅL:
I. Att utveckla och utvärdera kvantitativa dynamiska kontrastförstärkta (DCE)-MRI-analystekniker som minimerar patient- och skannerspecifika variationer i beräkningen av kvantitativa parametrar.
II. Att utveckla och utvärdera diffusionsviktade avbildningsmetoder (DWI) som minskar prostata geometrisk distorsion på grund av patient- och skannerspecifik känslighet och virvelströmseffekter.
III. Att utveckla och utvärdera djupinlärningsmodeller i flera klasser som systematiskt integrerar kvantitativa multiparametriska (mp)-MRI-funktioner för korrekt upptäckt och klassificering av kliniskt signifikant prostatacancer (csPCa).
SKISSERA:
RETROSPEKTIVT: Patienternas journaler granskas.
PROSPEKTIVA: Patienter genomgår ytterligare 3 Tesla (T) MRT-undersökningar under 30 minuter före, under eller efter deras standardvård 3T MRT under totalt 1,5 timmar.
Studietyp
Observationell
Inskrivning (Beräknad)
275
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Nashla Barroso
- Telefonnummer: (310) 794-7952
- E-post: nbarroso@mednet.ucla.edu
Studieorter
-
-
California
-
Los Angeles, California, Förenta staterna, 90095
- Rekrytering
- UCLA / Jonsson Comprehensive Cancer Center
-
Kontakt:
- Nashla Barroso
- Telefonnummer: 310-794-7952
- E-post: nbarroso@mednet.ucla.edu
-
Huvudutredare:
- Kyung H. Sung, PhD
-
-
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
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter vid University of California, Los Angeles (UCLA) som redan kan ha genomgått 3 T prostata multiparametrisk MRI eller remitterades till 3 T multiparametrisk prostata MRI före biopsi eller radikal prostatektomi.
Beskrivning
Inklusionskriterier:
- Manliga patienter 18 år och äldre
- Klinisk misstanke om prostatacancer eller biopsibekräftad prostatacancer
- Genomgått eller genomgått multiparametrisk 3 T prostata MRI vid University of California i Los Angeles (UCLA)
- Förmåga att ge samtycke
Exklusions kriterier:
- Kontraindikationer för MRT (t.ex. hjärtapparater, klaffproteser, svår klaustrofobi)
- Kontraindikationer för gadoliniumkontrastbaserade medel förutom risken för en allergisk reaktion mot gadoliniumkontrastmedlet
- Tidigare strålbehandling
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Observationell (elektronisk journalgenomgång, 3 T MRT)
RETROSPEKTIVT: Patienternas journaler granskas. PROSPEKTIVT: Patienter genomgår ytterligare 3T MRT under 30 minuter före, under eller efter deras standardvård 3T MRT under totalt 1,5 timmar. |
Medicinska diagram granskas
Genomgå 3T MRI
Andra namn:
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Utveckling av kvantitativ dynamisk kontrast (DCE)-förstärkt-magnetisk resonanstomografi (MRI) analystekniker
Tidsram: Upp till 5 år
|
Både överföringskonstanten (Ktrans) och hastighetskonstanten (Kep) från normal prostatavävnad kommer att utvärderas med avseende på variabiliteten mellan skannern.
Parvisa olikheter mellan distributioner kommer att uppskattas genom att beräkna Kolmogorov-Smirnov-statistiken, definierad som den maximala skillnaden mellan de empiriska fördelningsfunktionerna över parameterns intervall, med användning av 200 fall för var och en av tre MRI-skannrar.
Medelvärdet av dessa parvisa olikheter mellan skannrar kommer att beräknas för att kvantifiera den totala avvikelsen för varje DCE-MRI-modell.
Konstruktion av ett 95 % konfidensintervall för skillnaden i medelavvikelser med den icke-parametriska bootstrap kommer att göras för att jämföra denna medelavvikelse mellan DCE-MRI-modeller.
10 000 bootstrap-prover kommer att genereras genom att ta prov på patienter med ersättning, stratifiering av skannern.
Kommer att dra slutsatsen att den föreslagna DCE-MRI-modellen har en reducerad inter-scanner-variabilitet om konfidensintervallet på 95 % är helt mindre än noll.
|
Upp till 5 år
|
|
Utveckling av diffusionsviktade avbildningsmetoder (DWI) som minskar geometrisk distorsion av prostata
Tidsram: Upp till 5 år
|
Skillnader mellan rektangulärt synfält-ENCODE och standard DWI när det gäller prostatatärningens likhetskoefficient (primärt utfall) och skenbar diffusionskoefficientkonsistens kommer att jämföras.
|
Upp till 5 år
|
|
Utveckling av djupinlärningsmodeller i flera klasser
Tidsram: Upp till 5 år
|
Den övergripande prestandan för FocalNet och Prostate Imaging Reporting & Data System version 2 kommer att jämföras i termer av area under kurvan.
Jämförelse mellan area under kurvorna kommer att utföras med hjälp av DeLongs test.
Kommer också att inkludera jämförelsen mellan FocalNet och baslinjemetoder för djupinlärning (U-Net och Deeplab utan fokal förlust [FL] och ömsesidig fyndförlust [MFL]) för att karakterisera fördelarna med att använda FL och MFL med samma studiekohort.
För vart och ett av dessa tillvägagångssätt kommer en optimal gräns för klassificering av kliniskt signifikant prostatacancer att identifieras genom att maximera Youdens J (= sensitivitet + specificitet - 1) och kommer att rapportera sensitivitet, specificitet och 95 % konfidensintervall baserat på det valda snittet. punkt.
|
Upp till 5 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: Kyung H Sung, PhD, UCLA / Jonsson Comprehensive Cancer Center
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)
1 april 2021
Primärt slutförande (Beräknad)
1 juni 2027
Avslutad studie (Beräknad)
1 juni 2028
Studieregistreringsdatum
Först inskickad
18 februari 2021
Först inskickad som uppfyllde QC-kriterierna
18 februari 2021
Första postat (Faktisk)
21 februari 2021
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
7 juli 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
2 juli 2026
Senast verifierad
1 maj 2026
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 19-002202 (Annan identifierare: UCLA / Jonsson Comprehensive Cancer Center)
- NCI-2021-00373 (Registeridentifierare: CTRP (Clinical Trial Reporting Program))
- R01CA248506 (U.S.S. NIH-anslag/kontrakt)
- 441480-KS-29447 (Annat bidrag/finansieringsnummer: NCI)
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
produkt tillverkad i och exporterad från U.S.A.
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 .