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

Artificiell intelligens i EUS för diagnos av pankreatiska fasta lesioner

2 april 2024 uppdaterad av: Bin Cheng, Huazhong University of Science and Technology

Användning av artificiell intelligens för utveckling av en EUS-convolution neural nätverksmodell tränad för att skilja pankreascancer från andra pankreatiska fasta lesioner

Vi strävar efter att utveckla en EUS-AI-modell som kan underlätta klinisk diagnos genom att analysera EUS-bilder och kliniska parametrar hos patienter.

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Detaljerad beskrivning

EUS anses vara en känsligare modalitet än CT för att detektera fasta bukspottkörtelskador på grund av dess höga rumsliga upplösning. Den diagnostiska prestandan är dock till stor del beroende av utövarnas erfarenhet och tekniska förmågor. Därför strävar vi efter att utveckla en objektiv EUS-diagnostisk modell baserad på det konvolutionella neurala nätverket, en artificiell intelligensteknik. Dessutom läggs även kliniska parametrar som riskfaktorer, tumörbiomarkörer och röntgenfynd till denna artificiella intelligensmodell för att efterlikna de faktiska kliniska diagnosprocedurerna och för att öka prestandan hos denna modell.

Studietyp

Observationell

Inskrivning (Faktisk)

130

Kontakter och platser

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

Studieorter

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology

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

Kohorten kommer att väljas från Tongji Hospital, Tongji Medical College, HUST.

Beskrivning

Inklusionskriterier:

  • Patienter som genomgått EUS med hjälp av ett curved line array echoendoscope (GF-UCT260; Olympus Medical Systems) sedan 2014 i vår anslutning.
  • För varje patient ingår alla tillgängliga infödda EUS-bilder.
  • Patienternas diagnos valideras av kirurgiska utfall eller fyndnålsaspiration (FNA) och har ett kompatibelt kliniskt förlopp med en uppföljningstid på mer än 6 månader.

Exklusions kriterier:

  • Bilden är av dålig kvalitet.
  • Bilderna innehåller unika märken som potentiellt kan påverka modellen, såsom biopsinålen.

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
Pankreas-EUS
Patienter sedan 2014 med EUS-bilder av normal bukspottkörtel eller fasta bukspottkörtelskador har inkluderats i denna kohort.
Diagnostiskt test: EUS-AI-modell
Testundergruppen (ungefär 20 % av det totala antalet patienter) är reserverat för den slutliga utvärderingen av EUS-AI-modellen. Kliniska parametrar och EUS-bilder av varje patient i testundergruppen kommer att matas in i den tränade EUS-AI-modellen, och den mest möjliga diagnosen kommer att ges av modellen.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Modellens förmåga att skilja bukspottkörtelcancer från andra fasta bukspottkörtelskador
Tidsram: Efter att utbildningsprocessen för EUS-AI-modellen är klar
Receiver operating characteristic (ROC) analyser, sensitivitet, specificitet, noggrannhet, positivt prediktivt värde och negativt prediktivt värde kommer att användas för att utvärdera modellens effektivitet.
Efter att utbildningsprocessen för EUS-AI-modellen är klar

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Modellens förmåga att specificera bukspottkörtelns solida lesioner såsom pankreascancer, CP, AIP och NET
Tidsram: Efter att utbildningsprocessen för EUS-AI-modellen är klar
Receiver operating characteristic (ROC) analyser, sensitivitet, specificitet, noggrannhet, positivt prediktivt värde och negativt prediktivt värde kommer att användas för att utvärdera modellens effektivitet.
Efter att utbildningsprocessen för EUS-AI-modellen är klar

Samarbetspartners och utredare

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

Sponsor

Huazhong University of Science and Technology

Samarbetspartners

LanZhou University
The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School

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 juli 2022

Primärt slutförande (Faktisk)

30 juni 2023

Avslutad studie (Faktisk)

24 januari 2024

Studieregistreringsdatum

Först inskickad

25 juli 2022

Först inskickad som uppfyllde QC-kriterierna

25 juli 2022

Första postat (Faktisk)

27 juli 2022

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

3 april 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

2 april 2024

Senast verifierad

1 april 2024

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • EUS-AI 2022

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 .

Prenumerera