使用卷积神经网络检测膀胱癌 (BLAInostic)
2024年1月28日 更新者：Zealand University Hospital
研究人员旨在试验和实施各种深度学习架构，以在计算机辅助诊断 (CAD) 系统中实现人类水平的准确性。
特别是，研究人员有兴趣通过该项目中的 CT 尿路造影扫描和膀胱膀胱镜检查来检测膀胱肿瘤。
研究概览
详细说明
研究人员旨在试验和实施各种深度学习架构，以在计算机辅助诊断 (CAD) 系统中实现人类水平的准确性。
特别是，研究人员有兴趣通过该项目中的 CT 尿路造影扫描和膀胱膀胱镜检查来检测膀胱肿瘤。
研究人员希望使用各种卷积神经网络 (CNN) 将膀胱肿瘤分类为癌症、非癌症、高级和低级、侵入性和非侵入性，具有高灵敏度和低假阳性率。
该任务可被视为构建用于膀胱癌诊断的 CAD 系统的第一步。
此外，通过自动执行此任务，调查员扫描显着减少了放射科医生创建大规模标记的 CT 尿路造影扫描数据集的时间，并减少了由于人工评估膀胱镜检查可能发生的假阴性和阳性。
研究类型
观察性的
注册 (估计的)
5000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Nessn Azawi, phd
- 电话号码：26393034
- 邮箱：nesa@regionsjaelland.dk
学习地点
-
-
-
Roskilde、丹麦、4000
- 招聘中
- Zealand University Hospital
-
接触：
- Nessn H. Azawi, M.D.
- 电话号码：004526393034
- 邮箱：nesa@regionsjaelland.dk
-
首席研究员：
- Nessn Azawi, Ph.D
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不
取样方法
概率样本
研究人群
有微观或肉眼血尿的患者
描述
纳入标准：
- 首次血尿患者
- 有既往膀胱癌控制计划的患者
排除标准：
- 疑似非癌性疾病的对照膀胱镜患者
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
检测膀胱肿瘤
有血尿或既往有膀胱肿瘤的患者
|
借助人工智能检测膀胱肿瘤
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
将标准技术与机器学习进行比较
大体时间：5年
|
与标准膀胱镜检查相比，机器学习检测膀胱癌的准确性
|
5年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
检测膀胱癌亚型的准确性
大体时间：5年
|
机器学习从低级别膀胱癌中识别高级别膀胱癌的能力
|
5年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Nessn Azawi, phd、Zealand University Hospital
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2021年6月1日
初级完成 (估计的)
2026年6月1日
研究完成 (估计的)
2026年6月1日
研究注册日期
首次提交
2021年11月17日
首先提交符合 QC 标准的
2022年1月14日
首次发布 (实际的)
2022年1月18日
研究记录更新
最后更新发布 (实际的)
2024年1月30日
上次提交的符合 QC 标准的更新
2024年1月28日
最后验证
2024年1月1日
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- SJ-905
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.