鉴别良性和恶性胰腺病变 (D)
利用MVIT-MLKA模型提高胰腺良恶性病变分类的准确性：综合评价与比较研究
MVIT-MLKA 模型以其结合了 CNN 和 Transformer 的复杂架构，在图像特征提取和捕获远程依赖性方面表现出色。 这使其在病变检测和分类任务中具有很强的适应性和鲁棒性。 与传统机器学习方法和其他深度学习模型相比，MVIT-MLKA不仅在准确性、灵敏度和特异性方面表现更好，而且有助于减少观察者之间的变异性，增强医生之间的诊断一致性。
尽管该模型在外部数据集上的性能略有波动，但总体上仍然优于其他模型，并且具有巨大的临床应用潜力。 通过进一步优化提高其泛化能力，MVIT-MLKA可以成为诊断良恶性病变的有力工具，为临床实践提供更加一致和准确的支持。
研究概览
详细说明
研究类型
注册 (实际的)
联系人和位置
学习地点
-
-
Chongqing
-
Chongqing、Chongqing、中国、400016
- The First Affiliated Hospital of Chongqing Medical University
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
所有胰腺恶性病变患者均根据第8版美国癌症联合委员会TNM分期系统进行组织病理学确诊[25]；如果病变经组织病理学证实或在 CT 或 MRI 成像随访至少一年内表现出良性特征且稳定，则将病变分类为良性； (2)患者术前接受腹部增强CT扫描； (3) CT检查前未进行抗肿瘤治疗
排除标准：
(1) 有明显运动伪影或其他成像问题的患者； （二）CT检查与后续手术时间间隔1个月以上； (3)肿瘤最大直径小于10毫米。
学习计划
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 |
|---|---|
|
良性和恶性
良性病变组：该队列包括诊断为良性胰腺病变的患者，例如胰腺囊肿或神经内分泌肿瘤。 这些患者通常不需要手术或化疗等积极治疗，而是通过定期监测和非侵入性干预进行管理。 组织病理学证实或至少一年随访后无进展的稳定性可用于将病变分类为良性。 恶性病变组：该队列包括诊断患有恶性胰腺病变的患者，例如胰腺导管腺癌（PDAC）。 这些患者通常需要更积极的治疗方案，包括手术、化疗和放疗。 通过组织病理学分析确认病变的恶性程度，队列重点关注有明确肿瘤生长和进展证据的病例。 |
通常用于治疗胰腺癌，特别是位于胰头的肿瘤。
|
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 |
|---|---|---|
|
总生存时间
大体时间：1年
|
本研究的主要结果指标是总生存期（OS），从初次手术日期到全因死亡日期或最后一次随访日期计算。
|
1年
|
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 (实际的)
研究完成 (实际的)
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.