Deep Learning med MRT-baserad multimodal-data Fusion Enhanced Postoperativ Risk Stratification of Breast Cancer
Bröstcancer utgör en betydande global hälsoutmaning, särskilt bland kvinnor, med höga återfallsfrekvenser och fjärrspridning trots tidiga insatser. Snabb identifiering av metastasrisk och korrekt förutsägelse av behandlingsstrategier är avgörande för att förbättra prognosen. Den komplexa heterogeniteten hos brösttumörer innebär dock utmaningar i exakt prognosförutsägelse. Därför är utvecklingen av innovativa metoder för tumörsegmentering och prognosbedömning väsentlig.
Forskningen som utförs är en multicenterstudie som inkluderade 1 199 icke-metastaserande bröstcancerpatienter från fyra oberoende centra. Vår studie utnyttjar framstegen inom artificiell intelligens (AI) för att möta denna utmaning. Denna studie är den första framgångsrika tillämpningen av MRT-baserat multimodalt prediktionssystem för att exakt identifiera risken för postoperativt återfall hos bröstcancerpatienter.
Studieöversikt
Studietyp
Inskrivning (Faktisk)
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Histologiskt bekräftad stadium I-III invasiv BC
- Ålder ≥ 18 år
- Patienten har genomgått operation
- Förekomsten av MRI-skanningar
Uteslutningskriterier:
- Saknade patologiska resultat
- Hade andra, samtidiga maligniteter
- Hade MR-avbildningsproblem exkluderades
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Utbildningskohort
Vi tilldelade slumpmässigt 569 patienter från Sun Yat-sen Memorial Hospital vid Sun Yat-sen University (SYSMH; Guangzhou, Kina) i ett förhållande av 3:1 till träning (n = 456) och intern validering (n = 113) kohorter.
|
|
|
Intern valideringskohort
Vi tilldelade slumpmässigt 569 patienter från Sun Yat-sen Memorial Hospital vid Sun Yat-sen University (SYSMH; Guangzhou, Kina) i ett förhållande av 3:1 till träning (n = 456) och intern validering (n = 113) kohorter.
|
|
|
Extern testkohort 1
432 från Sun Yat-sen University Cancer Center (SYSUCC; Guangzhou, Kina) till extern testkohort 1.
|
|
|
Extern testkohort 2
198 från Dongguan Tungwah Hospital (DTH; Dongguan, Kina) och Shunde Hospital of Southern Medical University (SDHSMU; Guangzhou, Kina) till extern testkohort 2.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
DFS
Tidsram: Tiden från operation till tumörrecidiv, inklusive lokalt och/eller fjärråterfall, sjukdomsprogression eller död, bedömd upp till 100 månader.
|
Sjukdomsfri överlevnad
|
Tiden från operation till tumörrecidiv, inklusive lokalt och/eller fjärråterfall, sjukdomsprogression eller död, bedömd upp till 100 månader.
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
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
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- YSEC-KY-KS-2019-054-001
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 .