鉴别胰腺导管腺癌的肿瘤间质比率
2024年3月7日 更新者：Liao Hongfan、First Affiliated Hospital of Chongqing Medical University
一种基于迁移学习的新型 CLIP 模型结合自注意力机制来区分胰腺导管腺癌的肿瘤间质比：一项多中心回顾性队列研究
本研究介绍了一种基于迁移学习的新型对比语言图像预训练适配器 (CLIP-adapter) 模型，用于使用术前双时相 CT 图像预测胰腺导管腺癌 (PDAC) 的肿瘤基质比 (TSR)。
主要目标是开发一种有效且易于使用的工具，用于风险分层和个性化治疗计划。
研究概览
地位
主动，不招人
条件
详细说明
提出的新颖的对比语言图像预训练适配器（CLIP-adapter）模型，利用迁移学习、框架 CLIP 和自注意力机制来预测 PDAC 中的 TSR，以便在区分低 TSR 和高 TSR PDAC 方面表现出高性能。测试队列。
我们推测 CLIP 适配器模型的性能优于单相模型，特别是仅基于动脉或静脉相图像的 CLIP 模型。
特征融合模块的加入可以增强模型的区分能力，强调其相对于单相模型的优越性。
此外，我们设计的模型在网络训练时同时利用了图像和文本信息，而不是只关注图像。
这强调了 PDAC 影像评估中综合评估的重要性，有可能有助于风险分层和个性化治疗计划。
研究类型
观察性的
注册 (实际的)
207
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
共有 207 名患者选自三所独立医院：重庆医科大学第一附属医院 (FAHCQMU)、陆军军医大学大坪医院 (DPHAMU) 和重庆医科大学第三附属医院 (TAHCQMU)。
描述
纳入标准：
- 通过手术切除病理证实患有 PDAC 的患者
- 术前一个月内接受CT扫描的患者
- 在可用图像上可观察到胰腺病变。
排除标准：
- CT 扫描前进行任何抗癌治疗
- 图像上发现明显的干扰或明显的运动扭曲
- 部分临床数据
- 手术干预前患有肝转移或腹膜癌的患者。
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 |
|---|
|
低TSR和高TSR组
肿瘤-基质比率（TSR）的评估需要测量肿瘤和基质成分的百分比。
根据早期研究，5/5 被认为是 TSR 测量的理想阈值。
|
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 |
|---|---|---|
|
深度学习算法诊断胰腺导管腺癌的AUC价值
大体时间：1年
|
AUC=(灵敏度+特异性)-1
|
1年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
深度学习算法诊断胰腺导管腺癌的准确性
大体时间：1年
|
深度学习算法诊断胰腺导管腺癌的准确性
|
1年
|
|
深度学习算法诊断胰腺导管腺癌的敏感性
大体时间：1年
|
深度学习算法诊断胰腺导管腺癌的敏感性
|
1年
|
|
深度学习算法诊断胰腺导管腺癌的特异性。
大体时间：1年
|
深度学习算法诊断胰腺导管腺癌的特异性。
|
1年
|
|
深度学习算法对胰腺导管腺癌的诊断阳性预测价值
大体时间：1年
|
深度学习算法对胰腺导管腺癌的诊断阳性预测价值
|
1年
|
|
深度学习算法对胰腺导管腺癌的诊断阴性预测价值
大体时间：1年
|
深度学习算法对胰腺导管腺癌的诊断阴性预测价值
|
1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。
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)
2013年1月1日
初级完成 (实际的)
2022年7月1日
研究完成 (估计的)
2024年3月1日
研究注册日期
首次提交
2024年2月29日
首先提交符合 QC 标准的
2024年3月7日
首次发布 (实际的)
2024年3月12日
研究记录更新
最后更新发布 (实际的)
2024年3月12日
上次提交的符合 QC 标准的更新
2024年3月7日
最后验证
2024年2月1日
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.