Använda artificiell intelligens för att förutsäga utfall av rektalcancer
9 februari 2023 uppdaterad av: Taichung Veterans General Hospital
Använder CNN-bildigenkänning för att förutsäga utfall av rektalcancer
Utredare retrospektivt samlar in fall under 2010-2021 diagnostiserade som rektalt adenokarcinom med högkvalitativa CT-bilder. Lokala avancerade ändtarmscancerfall betecknades som "sjukdom". Inte heller definierades som "normala".
Använder artificiell intelligens CNN på Jupyter-anteckningsboken med öppen phytonkod för att träna och utveckla modeller som kan känna igen lokal avancerad rektalcancer. Ändra phytonkoden för bättre förutsägelsefrekvens och hjälp läkaren att snabbt utvärdera sjukdomens svårighetsgrad för nya fall av rektalcancer.
Studieöversikt
Status
Avslutad
Betingelser
Detaljerad beskrivning
Från 2010.10.1~2021.12.31 inkluderades ändtarmscancerpatienter med cT3-4-skada.
Samla högkvalitativa CT-bilder med DICOM-filer i tumörsegment.
cT1-2, låga rektalskador, icke-CRC-fall inkluderades inte.
Icke-kontrastbilder och konstgjorda defektbilder exkluderades också.
CT-bilder märktes som "sjuka" när CRM var hotad (<2 mm).
Alla bilder märktes enligt bedömning av 2 specialister.
Uppgifterna delades upp i 2 delar.
En för utbildning och testning av AI-modeller, en annan för extern validering.
Träningstestdatauppsättningen uppnåddes genom djupinlärning av neurala nätverk och utvärdering av modellprestandan.
Sedan användes modellen i extern valideringsdatauppsättning för testning i verkligheten, för att utvärdera koherent hastighet mellan AI och Dr.
Dessutom för att se canceröverlevnadsresultaten enligt AI-modellförutsägelseresultat.
Studietyp
Observationell
Inskrivning (Faktisk)
720
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Taichung, Taiwan
- Taichung Verterans General Hospital
-
-
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
20 år till 100 år (VUXEN, OLDER_ADULT)
Tar emot friska volontärer
Nej
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Rectalcancer diagnostiserad under 2010.10.1-2022.7.31.
klinisk T3-4 lesion.
med högkvalitativa CT-bilder med kontrast.
Beskrivning
Inklusionskriterier:
- klinisk stadieindelning T3-4 med högkvalitativa CT-bilder.
Exklusions kriterier:
- 1. inte primär malignitet lesion
- 2. inte lokalisera rektum
- 3. T1-2 lesion
- 4. bilder utan kontrast eller dålig kvalitet
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 |
|---|---|
|
ändtarmscancer lesion bilder för träning
Bilder från ändtarmscancer lesioner.
Bilder med hotad (<2 mm) periferiell marginal av rektalcancer märktes som "sjuk".
Annars märktes bilder som "normala".
Använda dessa material som utbildningsmaterial för uppbyggnad av AI-modeller för djupinlärning.
|
Använda märkta bilder som utbildningsmaterial för artificiell intelligens för att utveckla en modell för objektdetektering.
|
|
ändtarmscancer lesion bilder för testning.
Använder de uppbyggda AI-modellerna för djupinlärning från träningskohorten.
Utvärdera förutsägelsegraden av modellen och analysera överlevnadsresultat.
|
Använda den externa valideringsuppsättningen för att utvärdera förutsägelsegrad och överlevnadsresultat.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
noggrannhet av artificiell intelligens med erfaren läkare
Tidsram: 1 vecka efter att bilderna är klara.
|
noggrannhet mellan artificiell intelligens och erfaren läkare
|
1 vecka efter att bilderna är klara.
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
verkliga livets överlevnadsresultat av diagnos med artificiell intelligens.
Tidsram: 5 år efter diagnosen
|
verkliga livets överlevnadsresultat genom artificiell intelligens.
|
5 år efter diagnosen
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: ChunuYu Lin, M.D., Taichung Veterans General Hospital
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 oktober 2010
Primärt slutförande (FAKTISK)
31 juli 2022
Avslutad studie (FAKTISK)
31 december 2022
Studieregistreringsdatum
Först inskickad
5 januari 2023
Först inskickad som uppfyllde QC-kriterierna
9 februari 2023
Första postat (FAKTISK)
13 februari 2023
Uppdateringar av studier
Senaste uppdatering publicerad (FAKTISK)
13 februari 2023
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
9 februari 2023
Senast verifierad
1 februari 2023
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- CE21235B
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 .