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

Tillämpning av hyperspektral bildanalysteknik vid diagnos av kolorektal cancer baserat på koloskopisk biopsi

16 december 2022 uppdaterad av: Xiuli Zuo, Shandong University
Syftet med denna studie är att utveckla och validera en djupinlärningsalgoritm för diagnos av kolorektal cancer annan kolorektal sjukdom genom att markera och analysera egenskaperna hos hyperspektrala bilder baserat på de patologiska resultaten av koloskopisk biopsi, för att förbättra objektiviteten och intelligensen hos tidig diagnos av kolorektal cancer.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

Samla prospektivt in hyperspektral bildinformation av vanlig koloskopisk biopsivävnad. Den koloskopiska biopsivävnaden kommer från endoskopicentret på Qilu Hospital vid Shandong University. De hyperspektrala bilderna är markerade baserat på de patologiska biopsiresultaten och modellen DCNN (Deep Convolutional Neural Network) används. Med utbildning och verifiering, utveckla Hyperspectral Imaging Artificial Intelligence Diagnostic System (HSIAIDS). En del av koloskopisk biopsivävnad kommer att samlas in som ett prospektivt testset för att prospektivt testa den diagnostiska prestandan hos HSIAIDS-algoritmen.

Studietyp

Observationell

Inskrivning (Förväntat)

50

Kontakter och platser

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

Studiekontakt

Studieorter

  • Kina
    • Shandong
      • Jinan, Shandong, Kina, 250012
        • Rekrytering
        • Qilu hosipital

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 till 75 år (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

patienter i åldern 18-75 år som genomgår koloskopiundersökning och biopsi;

Beskrivning

Inklusionskriterier:

  • patienter i åldern 18-75 år som genomgår koloskopiundersökningen och biopsi

Exklusions kriterier:

  • patienter med allvarlig hjärt-, cerebral, lung- eller njurfunktionsstörning eller psykiatriska störningar som inte kan delta i koloskopi
  • patienter med tidigare kirurgiska ingrepp i mag-tarmkanalen.
  • patienter med kontraindikationer för biopsi
  • patienter som vägrar att underteckna formuläret för informerat samtycke

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Observationsmodeller: Kohort
  • Tidsperspektiv: Blivande

Kohorter och interventioner

Grupp / Kohort
Algoritmgrupp för djupinlärning
Efter att patienten har klarat screeningen kommer en rutinmässig koloskopi att utföras och målvävnaden med misstänkt inflammation eller neoplasi kommer att biopsieras. De kliniska utredarna använder det hyperspektrala mikroskopet för att samla in bildinformation av biopsivävnaden i endoskopirummet. Efter insamling av information kommer biopsiprover att rutinmässigt behandlas och skickas för patologisk diagnos.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet av HSI artificiell intelligensmodell för att identifiera kolorektalt adenom och cancer
Tidsram: 1 år
Noggrannhet av hyperspektral avbildning (HSI) artificiell intelligensmodell för att identifiera kolorektal hyperplastisk polyp, adenom, SSL och kolorektal cancer. Noggrannhet hos modeller för artificiell intelligens Noggrannhet = (sanna positiva + sanna negativa) / totalt antal försökspersoner * 100 %
1 år
Känslighet
Tidsram: 1 år
Känslighet för HSI artificiell intelligensmodell Känslighet = antal sanna positiva / (antal sanna positiva + antal falska negativa) * 100%.
1 år
Specificitet
Tidsram: 1 år
Specificitet för HSI artificiell intelligensmodell Specificitet = antal sanna negativa / (antal sanna negativa + antal falska positiva))*100 %
1 år
Negativa prediktiva värden (NPV)
Tidsram: 1 år
Negativa prediktiva värden för HSI artificiell intelligensmodell = antal sanna negativa / (antal sanna negativa + antal falska negativa)*100 %
1 år
AUC (95 % KI)
Tidsram: 1 år
område under mottagarens funktionskurva (AUC)
1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att registrera och utvärdera okända risker och biverkningar av hyperspektral avbildning vid provbildstagning
Tidsram: 1 år
För att registrera och utvärdera okända risker och biverkningar av hyperspektral avbildning vid provbildstagning
1 år

Samarbetspartners och utredare

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

Sponsor

Shandong University

Utredare

  • Studiestol: Xiuli Zuo, MD,PhD, Study Principal Investigator

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 oktober 2022

Primärt slutförande (Förväntat)

31 december 2023

Avslutad studie (Förväntat)

31 december 2023

Studieregistreringsdatum

Först inskickad

8 oktober 2022

Först inskickad som uppfyllde QC-kriterierna

8 oktober 2022

Första postat (Faktisk)

12 oktober 2022

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

21 december 2022

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

16 december 2022

Senast verifierad

1 oktober 2022

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2022-SDU-QILU-G003

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 Kolorektala neoplasmer

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Luxembourg

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera