人工智能技术对乳腺微钙化灶分类的前瞻性观察研究
研究概览
详细说明
目前使用 BI-RADS 放射学等级对乳腺微钙化进行分类。 如果有可疑的微钙化(B3),建议进行活检评估以进行组织病理学评估。 然而,大约 70-80% 的活检显示良性组织学,不需要手术治疗。 核心活检是侵入性程序,具有生物、心理(患者不适)、组织和经济(对于医疗保健系统)成本。 因此,提高微钙化放射学分类的准确性至关重要。 最近,文献中报道了各种方法来检测数字乳房 X 线照片中的微钙化并将其分类为良性或可疑微钙化。 基于使用深度学习 (DL) 的分析方法也有望用于处理乳腺 X 线摄影图像。 卷积神经网络 (CNN) 目前是计算机视觉领域许多应用领域中图像分类的最新技术。 本研究旨在利用人工智能 (AI) 技术对乳腺 X 线摄影图像实施乳腺微钙化(良性或恶性)分类方法,评估该方法的诊断性能(准确性)。 评估将参照标准放射学方法(BI-RADS 分类)进行。
连同 AI 系统在乳腺 X 光成像中的应用,当前进一步的临床需求是开发一种诊断工具,该工具能够原位确定微钙化的生物分子特征,准确区分其性质,而无需取组织、固定和包埋样本石蜡,未经病理学家高度专业化评估。 从生物分子的角度来看,拉曼光谱 (RS) 是一种高度特异性的方法,同时它与体内测量兼容。 它包含一种生物光子方法,能够通过直接照射(通过激光)和同时采集发射信号来探索给定样品的分子组成。 RS 信息可以与成像特征相结合,以实现用于乳腺微钙化联合分类的 AI 模型
研究类型
注册 (估计的)
联系人和位置
学习地点
-
-
Lombardia
-
Pavia、Lombardia、意大利、27100
- 招聘中
- Istituti Clinici Scientifici Maugeri SpA
-
接触:
- Fabio Corsi, Professor
- 电话号码:0382592272
- 邮箱:fabio.corsi@icsmaugeri.it
-
接触:
- Sara Albasini, MsC
- 电话号码:3497378405
- 邮箱:sara.albasini@icsmaugeri.it
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
- 女性受试者;
- 年龄在 18 至 88 岁之间;
- 临床和筛查乳腺 X 线照相术检测微钙化,有或没有活检组织学评估的指征;
- 通过签署知情同意书并注明日期同意参与研究的受试者
排除标准:
- 个人乳腺癌史
学习计划
研究是如何设计的?
设计细节
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 |
---|---|---|
分类的人工智能方法
大体时间:36个月
|
基于人工智能技术的乳腺X线影像乳腺微钙化灶分类方法
|
36个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
---|---|---|
放射学特征提取
大体时间:36个月
|
识别从人工智能系统中提取的典型特征
|
36个月
|
组合分类的人工智能方法
大体时间:36个月
|
结合放射学特征和拉曼光谱分析得出的特征的模型的诊断性能评估
|
36个月
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
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.