免费获得国外相关药品，最快 1 个工作日回馈药物信息
使用人工智能与机器学习（QARC）对食管癌的新辅助化学放疗的反应预测（QARC）
在食道癌中，新辅助同时进行化学疗法（NA-CCRT），然后进行手术是当前的护理标准，并且有充足的证据积累了支持，即完全病理反应（PCR）是一种积极的预后标记，可改善癌症。预测在新辅助治疗之前实现PCR的可能性可以允许为那些不太可能实现PCR的患者修改治疗方案。
放射线学是成像领域的新进入者，其中特定特征是根据基于利益区域（ROI）的像素的强度和分布模式得出的。然后提取的功能可以用于类似于其他 - 组数据集的预测建模。研究了其效用的初步研究已经进行了，其应用迄今已重点是治疗后的筛查和生存预测。由于使用放射线学提取的数据的多维性质，人工智能（AI）方法非常适合分析和建模放射线特征。
机器学习（ML）和深度学习（DL）[利用卷积神经网络（CNN）]都是AI框架的一部分。与ML相反，DL是一个新的参赛者，一些医学研究人员已使用预测型算法进行建模。除了显着降低与基于放射素学研究相关的工作流程外，使用DL的功能工程和建模还不受ROCRECT ROI描述的影响。但是，DL的主要局限性是“黑框”效应，其中CNN的基本基础尚不清楚。这部分通过直接在图像数据集上的激活图的可视化来缓解了这一点，以证明预测的生物学合理性。两种类型的建模的比较性能也不为人所知。
我们的目标是使用基于放射线学的ML和基于AI的建模研究我们的研究人群中的PCR概率。我们还将研究两种建模技术的比较性能。对于基于DL的预测建模，我们将尝试根据激活图提供生物学上的合理性。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 食管肿瘤 | 辐射：新辅助放射治疗药物：新辅助化疗程序：食管切除术 |
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 150名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 其他 |
| 官方标题： | 食管癌中对新辅助化学疗法的病理反应预测以及工程特征与深度学习模型的比较 |
| 实际学习开始日期 ： | 2020年1月16日 |
| 估计的初级完成日期 ： | 2021年1月 |
| 估计 学习完成日期 ： | 2021年3月 |
| 组/队列 | 干预/治疗 |
|---|---|
| 学习小组 接受NA-CCRT然后进行手术的患者 | 辐射：新辅助放疗 通过任何技术，新辅助放疗，与新辅助化学疗法同时提供。 药物：新辅助化学疗法 新辅助化疗，与新辅助放射疗法同时提供。 程序：食道切除术 新辅助并发化学放疗后4-6周进行食管切除术 |
- 开发模型以预测基于神经前辅助成像方式的PCR [时间范围：2021年8月]
- 在新的甲挥发和食管切除术后，对患者结局（OS，RFS，PCR率）进行临床审核[时间范围：2020年1月]
| 有资格学习的年龄： | 18岁以上（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
纳入标准：
- ECOG性能状态：0-2
- 组织病理学或细胞病理学的患者证实了食道的恶性肿瘤
- 组织学：鳞状细胞癌和腺癌
- 患者应接受新辅助并发化学放疗（NACCRT），然后进行手术
- 在参与机构中提供的所有治疗干预措施（放疗，化学疗法和手术）
- 至少为每个患者的NACCRT DICOM成像数据集（HRCT/ 18-FDG PET-CT/放射治疗计划CT）
排除标准：
- 感兴趣地区的任何金属植入物的患者
- 患有局部晚期疾病或转移性疾病的患者（T4疾病，瘘管，转移）患者
- 同一地区放疗史的患者
- 患者在食道中出现第二种恶性肿瘤
| 澳大利亚 | |
| 伊拉瓦拉癌症护理中心 | |
| 澳大利亚卧龙岗，2500 | |
| 印度 | |
| Rajiv Gandhi癌症研究所与研究中心 | |
| 新德里，德里，印度，110019 | |
| 首席研究员： | 医学博士昆丹·库法尔 | Rajiv Gandhi癌症研究所与研究中心 |
| 追踪信息 | |||||
|---|---|---|---|---|---|
| 首先提交日期 | 2020年7月23日 | ||||
| 第一个发布日期 | 2020年7月28日 | ||||
| 上次更新发布日期 | 2020年12月16日 | ||||
| 实际学习开始日期 | 2020年1月16日 | ||||
| 估计的初级完成日期 | 2021年1月（主要结果指标的最终数据收集日期） | ||||
| 当前的主要结果指标 |
| ||||
| 原始主要结果指标 | 开发模型以预测基于神经前辅助成像方式的PCR [时间范围：2021年8月] | ||||
| 改变历史 | |||||
| 当前的次要结果指标 | 不提供 | ||||
| 原始的次要结果指标 | 不提供 | ||||
| 当前其他预先指定的结果指标 | 不提供 | ||||
| 原始其他预先指定的结果指标 | 不提供 | ||||
| 描述性信息 | |||||
| 简短标题 | 使用人工智能和机器学习对食管癌中新辅助化学放疗的反应预测 | ||||
| 官方头衔 | 食管癌中对新辅助化学疗法的病理反应预测以及工程特征与深度学习模型的比较 | ||||
| 简要摘要 | 在食道癌中，新辅助同时进行化学疗法（NA-CCRT），然后进行手术是当前的护理标准，并且有充足的证据积累了支持，即完全病理反应（PCR）是一种积极的预后标记，可改善癌症。预测在新辅助治疗之前实现PCR的可能性可以允许为那些不太可能实现PCR的患者修改治疗方案。 放射线学是成像领域的新进入者，其中特定特征是根据基于利益区域（ROI）的像素的强度和分布模式得出的。然后提取的功能可以用于类似于其他 - 组数据集的预测建模。研究了其效用的初步研究已经进行了，其应用迄今已重点是治疗后的筛查和生存预测。由于使用放射线学提取的数据的多维性质，人工智能（AI）方法非常适合分析和建模放射线特征。 机器学习（ML）和深度学习（DL）[利用卷积神经网络（CNN）]都是AI框架的一部分。与ML相反，DL是一个新的参赛者，一些医学研究人员已使用预测型算法进行建模。除了显着降低与基于放射素学研究相关的工作流程外，使用DL的功能工程和建模还不受ROCRECT ROI描述的影响。但是，DL的主要局限性是“黑框”效应，其中CNN的基本基础尚不清楚。这部分通过直接在图像数据集上的激活图的可视化来缓解了这一点，以证明预测的生物学合理性。两种类型的建模的比较性能也不为人所知。 我们的目标是使用基于放射线学的ML和基于AI的建模研究我们的研究人群中的PCR概率。我们还将研究两种建模技术的比较性能。对于基于DL的预测建模，我们将尝试根据激活图提供生物学上的合理性。 | ||||
| 详细说明 | 不提供 | ||||
| 研究类型 | 观察 | ||||
| 学习规划 | 观察模型：队列 时间观点：其他 | ||||
| 目标随访时间 | 不提供 | ||||
| 生物测量 | 不提供 | ||||
| 采样方法 | 非概率样本 | ||||
| 研究人群 | 2011年1月至2020年5月1日，每个参与研究中心的患者记录 | ||||
| 健康）状况 | 食管肿瘤 | ||||
| 干涉 |
| ||||
| 研究组/队列 | 学习小组 接受NA-CCRT然后进行手术的患者 干预措施：
| ||||
| 出版物 * | 不提供 | ||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||
| 招聘信息 | |||||
| 招聘状况 | 活跃，不招募 | ||||
| 估计入学人数 | 150 | ||||
| 原始估计注册 | 与电流相同 | ||||
| 估计学习完成日期 | 2021年3月 | ||||
| 估计的初级完成日期 | 2021年1月（主要结果指标的最终数据收集日期） | ||||
| 资格标准 | 纳入标准：
排除标准：
| ||||
| 性别/性别 |
| ||||
| 年龄 | 18岁以上（成人，老年人） | ||||
| 接受健康的志愿者 | 不 | ||||
| 联系人 | 仅当研究招募主题时才显示联系信息 | ||||
| 列出的位置国家 | 澳大利亚，印度 | ||||
| 删除了位置国家 | |||||
| 管理信息 | |||||
| NCT编号 | NCT04489368 | ||||
| 其他研究ID编号 | rgcirc/irb/80/2020 | ||||
| 有数据监测委员会 | 不 | ||||
| 美国FDA调节的产品 |
| ||||
| IPD共享声明 |
| ||||
| 责任方 | 印度Rajiv Gandhi癌症研究所与研究中心的Kundan Singh Chufal博士 | ||||
| 研究赞助商 | 昆丹·辛格·乔法尔博士 | ||||
| 合作者 | 不提供 | ||||
| 调查人员 |
| ||||
| PRS帐户 | 印度Rajiv Gandhi癌症研究所与研究中心 | ||||
| 验证日期 | 2020年12月 | ||||
在食道癌中，新辅助同时进行化学疗法（NA-CCRT），然后进行手术是当前的护理标准，并且有充足的证据积累了支持，即完全病理反应（PCR）是一种积极的预后标记，可改善癌症。预测在新辅助治疗之前实现PCR的可能性可以允许为那些不太可能实现PCR的患者修改治疗方案。
放射线学是成像领域的新进入者，其中特定特征是根据基于利益区域（ROI）的像素的强度和分布模式得出的。然后提取的功能可以用于类似于其他 - 组数据集的预测建模。研究了其效用的初步研究已经进行了，其应用迄今已重点是治疗后的筛查和生存预测。由于使用放射线学提取的数据的多维性质，人工智能（AI）方法非常适合分析和建模放射线特征。
机器学习（ML）和深度学习（DL）[利用卷积神经网络（CNN）]都是AI框架的一部分。与ML相反，DL是一个新的参赛者，一些医学研究人员已使用预测型算法进行建模。除了显着降低与基于放射素学研究相关的工作流程外，使用DL的功能工程和建模还不受ROCRECT ROI描述的影响。但是，DL的主要局限性是“黑框”效应，其中CNN的基本基础尚不清楚。这部分通过直接在图像数据集上的激活图的可视化来缓解了这一点，以证明预测的生物学合理性。两种类型的建模的比较性能也不为人所知。
我们的目标是使用基于放射线学的ML和基于AI的建模研究我们的研究人群中的PCR概率。我们还将研究两种建模技术的比较性能。对于基于DL的预测建模，我们将尝试根据激活图提供生物学上的合理性。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 食管肿瘤 | 辐射：新辅助放射治疗药物：新辅助化疗程序：食管切除术 |
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 150名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 其他 |
| 官方标题： | 食管癌中对新辅助化学疗法的病理反应预测以及工程特征与深度学习模型的比较 |
| 实际学习开始日期 ： | 2020年1月16日 |
| 估计的初级完成日期 ： | 2021年1月 |
| 估计 学习完成日期 ： | 2021年3月 |
| 组/队列 | 干预/治疗 |
|---|---|
| 学习小组 接受NA-CCRT然后进行手术的患者 | 辐射：新辅助放疗 通过任何技术，新辅助放疗，与新辅助化学疗法同时提供。 药物：新辅助化学疗法 新辅助化疗，与新辅助放射疗法同时提供。 程序：食道切除术 新辅助并发化学放疗后4-6周进行食管切除术 |
- 开发模型以预测基于神经前辅助成像方式的PCR [时间范围：2021年8月]
- 在新的甲挥发和食管切除术后，对患者结局（OS，RFS，PCR率）进行临床审核[时间范围：2020年1月]
| 有资格学习的年龄： | 18岁以上（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
| 澳大利亚 | |
| 伊拉瓦拉癌症护理中心 | |
| 澳大利亚卧龙岗，2500 | |
| 印度 | |
| Rajiv Gandhi癌症研究所与研究中心 | |
| 新德里，德里，印度，110019 | |
| 首席研究员： | 医学博士昆丹·库法尔 | Rajiv Gandhi癌症研究所与研究中心 |
| 追踪信息 | |||||
|---|---|---|---|---|---|
| 首先提交日期 | 2020年7月23日 | ||||
| 第一个发布日期 | 2020年7月28日 | ||||
| 上次更新发布日期 | 2020年12月16日 | ||||
| 实际学习开始日期 | 2020年1月16日 | ||||
| 估计的初级完成日期 | 2021年1月（主要结果指标的最终数据收集日期） | ||||
| 当前的主要结果指标 |
| ||||
| 原始主要结果指标 | 开发模型以预测基于神经前辅助成像方式的PCR [时间范围：2021年8月] | ||||
| 改变历史 | |||||
| 当前的次要结果指标 | 不提供 | ||||
| 原始的次要结果指标 | 不提供 | ||||
| 当前其他预先指定的结果指标 | 不提供 | ||||
| 原始其他预先指定的结果指标 | 不提供 | ||||
| 描述性信息 | |||||
| 简短标题 | 使用人工智能和机器学习对食管癌中新辅助化学放疗的反应预测 | ||||
| 官方头衔 | 食管癌中对新辅助化学疗法的病理反应预测以及工程特征与深度学习模型的比较 | ||||
| 简要摘要 | 在食道癌中，新辅助同时进行化学疗法（NA-CCRT），然后进行手术是当前的护理标准，并且有充足的证据积累了支持，即完全病理反应（PCR）是一种积极的预后标记，可改善癌症。预测在新辅助治疗之前实现PCR的可能性可以允许为那些不太可能实现PCR的患者修改治疗方案。 放射线学是成像领域的新进入者，其中特定特征是根据基于利益区域（ROI）的像素的强度和分布模式得出的。然后提取的功能可以用于类似于其他 - 组数据集的预测建模。研究了其效用的初步研究已经进行了，其应用迄今已重点是治疗后的筛查和生存预测。由于使用放射线学提取的数据的多维性质，人工智能（AI）方法非常适合分析和建模放射线特征。 机器学习（ML）和深度学习（DL）[利用卷积神经网络（CNN）]都是AI框架的一部分。与ML相反，DL是一个新的参赛者，一些医学研究人员已使用预测型算法进行建模。除了显着降低与基于放射素学研究相关的工作流程外，使用DL的功能工程和建模还不受ROCRECT ROI描述的影响。但是，DL的主要局限性是“黑框”效应，其中CNN的基本基础尚不清楚。这部分通过直接在图像数据集上的激活图的可视化来缓解了这一点，以证明预测的生物学合理性。两种类型的建模的比较性能也不为人所知。 我们的目标是使用基于放射线学的ML和基于AI的建模研究我们的研究人群中的PCR概率。我们还将研究两种建模技术的比较性能。对于基于DL的预测建模，我们将尝试根据激活图提供生物学上的合理性。 | ||||
| 详细说明 | 不提供 | ||||
| 研究类型 | 观察 | ||||
| 学习规划 | 观察模型：队列 时间观点：其他 | ||||
| 目标随访时间 | 不提供 | ||||
| 生物测量 | 不提供 | ||||
| 采样方法 | 非概率样本 | ||||
| 研究人群 | 2011年1月至2020年5月1日，每个参与研究中心的患者记录 | ||||
| 健康）状况 | 食管肿瘤 | ||||
| 干涉 |
| ||||
| 研究组/队列 | 学习小组 接受NA-CCRT然后进行手术的患者 干预措施：
| ||||
| 出版物 * | 不提供 | ||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||
| 招聘信息 | |||||
| 招聘状况 | 活跃，不招募 | ||||
| 估计入学人数 | 150 | ||||
| 原始估计注册 | 与电流相同 | ||||
| 估计学习完成日期 | 2021年3月 | ||||
| 估计的初级完成日期 | 2021年1月（主要结果指标的最终数据收集日期） | ||||
| 资格标准 | 纳入标准：
排除标准：
| ||||
| 性别/性别 |
| ||||
| 年龄 | 18岁以上（成人，老年人） | ||||
| 接受健康的志愿者 | 不 | ||||
| 联系人 | 仅当研究招募主题时才显示联系信息 | ||||
| 列出的位置国家 | 澳大利亚，印度 | ||||
| 删除了位置国家 | |||||
| 管理信息 | |||||
| NCT编号 | NCT04489368 | ||||
| 其他研究ID编号 | rgcirc/irb/80/2020 | ||||
| 有数据监测委员会 | 不 | ||||
| 美国FDA调节的产品 |
| ||||
| IPD共享声明 |
| ||||
| 责任方 | 印度Rajiv Gandhi癌症研究所与研究中心的Kundan Singh Chufal博士 | ||||
| 研究赞助商 | 昆丹·辛格·乔法尔博士 | ||||
| 合作者 | 不提供 | ||||
| 调查人员 |
| ||||
| PRS帐户 | 印度Rajiv Gandhi癌症研究所与研究中心 | ||||
| 验证日期 | 2020年12月 | ||||
