Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
22 juni 2026 uppdaterad av: Yunnan Cancer Hospital
Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation
This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS).
To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.
Studieöversikt
Status
Har inte rekryterat ännu
Betingelser
Studietyp
Interventionell
Inskrivning (Beräknad)
1800
Fas
- Inte tillämpbar
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Zhenhui LI
- Telefonnummer: 13698736132
- E-post: lizhenhui@kmmu.edu.cn
Studera Kontakt Backup
- Namn: Yu Xie
- Telefonnummer: 13708445492
- E-post: xieyu@kmmu.edu.cn
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
- Äldre vuxen
Tar emot friska volontärer
Nej
Beskrivning
Inclusion Criteria:
- Histopathologically confirmed invasive breast cancer;
- Planned to receive a full course of neoadjuvant therapy;
- Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.
Exclusion Criteria:
- Previous history of ipsilateral breast cancer or chest radiotherapy;
- Distant metastasis (Stage IV);
- Poor image quality or missing clinical data exceeding 20%.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: N/A
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
|
MRI and ultrasound were performed in addition to conventional treatment regimens
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Tidsram: From enrollment to the end of surgery
|
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed.
Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
|
From enrollment to the end of surgery
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Prognostic predictive value of multimodal data for breast cancer
Tidsram: From enrollment to the end of surgery
|
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS).
Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
|
From enrollment to the end of surgery
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Studierektor: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer 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 (Beräknad)
1 juni 2026
Primärt slutförande (Beräknad)
31 december 2026
Avslutad studie (Beräknad)
30 juni 2029
Studieregistreringsdatum
Först inskickad
19 maj 2026
Först inskickad som uppfyllde QC-kriterierna
22 juni 2026
Första postat (Faktisk)
26 juni 2026
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
26 juni 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
22 juni 2026
Senast verifierad
1 maj 2026
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- KYLX2026-205
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
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 .