卵巢癌类器官生长预测的人工智能模型
2024年3月12日 更新者:Chongqing University Cancer Hospital
基于明场图像和深度学习的卵巢癌类器官生长预测模型的开发和验证
本研究旨在收集卵巢癌患者来源的类器官的早期明场图像。
通过利用人工智能,这项研究将寻求构建和完善能够预测卵巢癌类器官生长的算法。
研究概览
研究类型
观察性的
注册 (估计的)
100
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:Dongling Zou, MD
- 电话号码:13657690699
- 邮箱:cqzl_zdl@163.com
学习地点
-
-
Chongqing
-
Chongqing、Chongqing、中国、400030
- 招聘中
- Chongqing Cancer Hospital
-
首席研究员:
- Dongling Zou, M.D.
-
接触:
- Dongling Zou, M.D.
- 电话号码:13657690699
- 邮箱:cqzl_zdl@163.com
-
-
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
非概率样本
研究人群
上皮性卵巢癌患者接受活检或穿刺获取肿瘤组织或恶性积液
描述
纳入标准:
- 患者必须经过组织学确诊为上皮性卵巢癌
- 患者接受活检或穿刺以获得肿瘤组织或恶性积液
- 患者自愿参与研究并签署知情同意书。
排除标准:
- 非上皮性卵巢癌
- 没有足够数量的肿瘤组织或恶性渗出物用于类器官的建立。
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
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 |
---|---|---|
使用深度学习模型的增长预测性能的 AUC
大体时间:最长3年
|
AUC = 受试者工作特征曲线下面积
|
最长3年
|
使用深度学习模型进行生长预测的准确性
大体时间:最长3年
|
准确率=(正确分类的样本数)/(总样本数)
|
最长3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:Dongling Zou, M.D.、Chongqing University Cancer 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)
2022年1月1日
初级完成 (估计的)
2024年4月30日
研究完成 (估计的)
2024年5月30日
研究注册日期
首次提交
2024年3月12日
首先提交符合 QC 标准的
2024年3月12日
首次发布 (实际的)
2024年3月19日
研究记录更新
最后更新发布 (实际的)
2024年3月19日
上次提交的符合 QC 标准的更新
2024年3月12日
最后验证
2024年3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.