Automatisk utvärdering av svårighetsgraden av gastrisk intestinal metaplasi med patologi artificiell intelligens diagnossystem
Automatisk utvärdering av svårighetsgraden av gastrisk intestinal metaplasi med patologi Artificiell intelligens diagnossystem: ett diagnostiskt test
OLGIM-stadiesystemet rekommenderas starkt för en omfattande bedömning av GIMs svårighetsgrad för att utvärdera patienternas risk för magcancer. Emellertid är dess behov av att ta minst 4 biopsier inte kliniskt genomförbart på grund av en allvarlig brist på patologer jämfört med det stora antalet screeningpopulationer för magcancer.
Vi planerar att utveckla ett diagnossystem för artificiell intelligens för digital patologi (DPAIDS), för att automatiskt identifiera tumörområden i hela diabilder (WSI) och snabbt och exakt kvantifiera svårighetsgraden av intestinal metaplasi enligt andelen tarmmetaplasiområden.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Magcancer är den femte vanligaste maligniteten och den tredje mest dödliga världen över, och intestinal metaplasi (IM) är ett vanligt precanceröst tillstånd som är nära förknippat med magkarcinogenes. OLGIM-stadiesystemet rekommenderas starkt för en omfattande bedömning av GIMs svårighetsgrad att utvärdera patienternas risk för magcancer. Men dess behov av att ta minst fyra biopsier är inte kliniskt genomförbart på grund av en allvarlig brist på patologer jämfört med det stora antalet screeningpopulationer för magcancer. Att utveckla automatiserade screeningmetoder kan minska den tunga diagnostiska arbetsbelastningen. Med framsteg inom digitala patologiskanningsenheter och djupinlärningsteknologier har helbildsbilder (WSI) använts för att utveckla automatiserade cancerdiagnostiksystem.
Vi planerar att utveckla ett diagnossystem för artificiell intelligens för digital patologi (DPAIDS), för att automatiskt identifiera tumörområden i hela diabilder (WSI) och snabbt och exakt kvantifiera svårighetsgraden av intestinal metaplasi enligt andelen tarmmetaplasiområden. Därefter kommer biopsier att prospektivt samlas in och förberedas som WSI för modellvalidering.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: yanqing Li, MD, PHD
- Telefonnummer: 0531182169385
- E-post: liyanqing@sdu.edu.cn
Studieorter
-
-
Shandong
-
Jinan, Shandong, Kina, 250012
- Rekrytering
- Department of Gastroenterology, Qilu Hospital, Shandong University
-
Kontakt:
- Yanqing Li, PhD. MD.
- Telefonnummer: 18678827666
- E-post: liyanqing@sdu.edu.cn
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- patienter i åldern 40-75 år som genomgår gastroskopiundersökningen och biopsi
Exklusions kriterier:
- patienter med allvarlig hjärt-, cerebral, lung- eller njurdysfunktion eller psykiatriska störningar som inte kan delta i gastroskopi
- patienter med tidigare kirurgiska ingrepp på magen
- patienter med kontraindikationer för biopsi
- patienter som vägrar att underteckna formuläret för informerat samtycke
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Hela diabilder av gastriska biopsiprover
|
Patologer och AI kommer att bedöma svårighetsgraden av intestinal metaplasi och bedöma tumörområdet på hela diabilder av gastriska biopsiprover oberoende.
Dessutom kan patologerna inte se diagnosen AI.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Den diagnostiska prestandan av AI-modell för att bedöma svårighetsgraden av intestinal metaplasi
Tidsram: 2 år
|
Den diagnostiska prestandan av AI-modell för att bedöma svårighetsgraden av tarmmetaplasi i en enda biopsivävnadsbild: Noggrannhet, känslighet och specificitet
|
2 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet av den digitala patologiska AI-modellen för att identifiera tumörregioner
Tidsram: 2 år
|
Noggrannhet av den digitala patologiska AI-modellen för att identifiera tumörregioner i hela diabildsbilderna
|
2 år
|
|
Noggrannhet av digitala patologiska AI-modeller för att identifiera körtlar, slemhinneepitel och tarmmetaplasi i icke-neoplastiska områden
Tidsram: 2 år
|
Noggrannhet av digitala patologiska AI-modeller för att identifiera körtlar, slemhinneepitel och tarmmetaplasi i icke-neoplastiska områden
|
2 år
|
Samarbetspartners och utredare
Sponsor
Utredare
- Studiestol: yanqing Li, MD, PHD, Qilu Hospital, Shandong University
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2022-SDU-QILU-110
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .