Förutsägelse av signifikant leverfibros (PSLF)
16 juli 2024 uppdaterad av: Huang Haijun
Multimodal digital bildfusionsteknik baserad på djupinlärning för att förutsäga betydande leverfibros och dess tillämpning i multicenterforskning
Metoden för djupinlärning baserad på konvolutionellt neuralt nätverk (CNN) användes för att extrahera de relevanta egenskaperna hos klassificering av leverfibros från den multimodala informationen från digitala patologiska sektioner, kliniska parametrar och biomarkörer för ett stort antal existerande fall av leverpunktion, och U-Net-arkitekturen hos CNN användes för att segmentera och extrahera funktionerna i kliniska medicinska bilder.
Studieöversikt
Detaljerad beskrivning
Patienter med kronisk hepatit B genomgick B-ultraljudsvägledd leverbiopsi och delades in i mild leverfibrosgrupp (fibrosgrad 0-1, S1), signifikant leverfibrosgrupp (fibrosgrad 2, S2), avancerad leverfibrosgrupp och tidig leverfibrosgrupp. cirrosgrupp (fibros grad 3-4, S3-4) enligt de patologiska resultaten.I denna studie samlades 200 patienter med olika grader av leverfibros och 200 normala frivilliga in från 2018 till 2022, och deras kliniska biokemiska data, bilddata och perifera blodprover samlades in. De patologiska mikromiljöegenskaperna, avbildningsegenskaperna, kliniska parametrarnas egenskaper och andra data från patienter extraherades, och destillationsinlärningsmetoden baserad på lärare-studentmodell antogs för att utveckla och konstruera en multimodal big data-analys modell för noggrann gradering av leverfibros, för att uppnå ett icke-invasivt intelligent graderingssystem för leverfibros.
Studietyp
Observationell
Inskrivning (Beräknad)
700
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Haijun Huang
- Telefonnummer: 13758186635
- E-post: huanghaijun0826@163.com
Studieorter
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310014
- Rekrytering
- Haijun Huang
-
Kontakt:
- Haijun Huang
- Telefonnummer: 13758186635
- E-post: huanghaijun0826@163.com
-
-
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
- Vuxen
Tar emot friska volontärer
Ja
Testmetod
Icke-sannolikhetsprov
Studera befolkning
En patient med kronisk hepatit B leverfibros bekräftad genom leverbiopsi
Beskrivning
Inklusionskriterier:
- Ålder 18-60 år
- Diagnosen av kronisk hepatit B är i linje med de diagnostiska kriterierna i Kinas 2019 års riktlinjer för förebyggande och behandling av kronisk hepatit B, och diagnosen av alkoholfri fettlever är i linje med riktlinjerna från Asian Pacific Hepatology Association
- Bildtagning visade ingen levercancer
Exklusions kriterier:
- Det finns kontraindikationer för leverbiopsi
- Leverpatologi uppfyllde inte kriterierna
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 |
|---|
|
mild fibros
S0-1
|
|
betydande leverfibros
S2
|
|
Avancerad leverfibros
S3-4
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Modellutveckling
Tidsram: 2024.6-2024.12
|
Avbildning (som CT-skanning, MRI, röntgen, etc.) egenskaper och kliniska parametrar hos patienter extraherades, inklusive populationsbaslinjekarakteristika (såsom ålder, kön, komorbiditeter, etc.), biokemiska blodindikatorer (såsom blodsocker). , lipider, leverfunktionsindikatorer, etc.), och blodcytologiska indikatorer (såsom antal vita blodkroppar, antal röda blodkroppar, etc.).
Genomfört fallval och kohortetablering, multimodal funktionsextraktion och modellutveckling
|
2024.6-2024.12
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Bygg ett multimodalt big data-leverfibros-molnplattformssystem för tidig varning
Tidsram: 2025.1-2025.12
|
Vi avser att designa en molnplattform med datalagrings-, bearbetnings- och analyskomponenter.Välj lämplig teknikstack för att säkerställa att plattformen har förmågan att hantera storskalig data och har god skalbarhet och prestanda. Den tidigare byggda multimodala leverfibrosprecisionen typmodellen bäddades sedan in i plattformen, vilket säkerställde att modellen kunde hantera en mängd olika datatyper och integreras sömlöst med andra komponenter i plattformen. Samtidigt används strömbehandlingstekniken för att integrera realtidsövervakning och analys plattformens funktion, för att göra snabb förutsägelse och klassificering av nyförvärvade leverfibrosfallsdata. Modellens noggrannhet och stabilitet verifierades ytterligare i kliniska multicenterdata, och den multimodala big data leverfibros tidigt varningsmolnplattformssystem byggdes
|
2025.1-2025.12
|
Andra resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Utvärdering Multi-modal big data leverfibros varningsplattform system effektivitet
Tidsram: 2026.1-2026.12
|
För att testa effektiviteten hos det multimodala big data leverfibros varningsplattformssystemet i en verklig multicenter klinisk miljö.
Vi kommer också att undersöka möjligheten att använda plattformen för långtidsuppföljning av patienter, fjärrtestning av patienter och regelbunden bedömning av sjukdomsförloppet
|
2026.1-2026.12
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Samarbetspartners
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 (Beräknad)
20 juli 2024
Primärt slutförande (Beräknad)
31 december 2024
Avslutad studie (Beräknad)
31 december 2026
Studieregistreringsdatum
Först inskickad
10 juli 2024
Först inskickad som uppfyllde QC-kriterierna
16 juli 2024
Första postat (Faktisk)
19 juli 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
19 juli 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
16 juli 2024
Senast verifierad
1 juli 2024
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- KY2024072
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
OBESLUTSAM
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 .