Меню
Идёт набор NCT06509230

Prediction of Significant Liver Fibrosis

— Наблюдательное Liver Fibrosis

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
Это наблюдательное исследование: исследуемое лечение участникам по протоколу не назначают.
Кому может быть актуально
Состояния в реестре: Liver Fibrosis. Базовые параметры: 18 лет — 60 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Китай
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

Multimodal Digital Image Fusion Technology Based on Deep Learning to Predict Significant Liver Fibrosis and Its Application in Multi-center Research

Обзор

The deep learning method based on convolutional neural network (CNN) was used to extract the relevant features of liver fibrosis classification from the multi-modal information of digital pathological sections, clinical parameters and biomarkers of a large number of existing cases of liver puncture, and the U-Net architecture of CNN was used to segment and extract the features of clinical medical images.

Подробное описание

Patients with chronic hepatitis B underwent B-ultrasound-guided liver biopsy, and were divided into mild liver fibrosis group (fibrosis grade 0-1, S1), significant liver fibrosis group (fibrosis grade 2, S2), advanced liver fibrosis group and early cirrhosis group (fibrosis grade 3-4, S3-4) according to the pathological results.In this study, 200 patients with different degrees of liver fibrosis and 200 normal volunteers were collected from 2018 to 2022, and their clinical biochemical data, imaging data and peripheral blood samples were collected.The pathological microenvironment characteristics, imaging characteristics, clinical parameter characteristics and other data of patients were extracted, and the distillation learning method based on teacher-student model was adopted to develop and construct a multi-modal big data analysis model for accurate grading of liver fibrosis, so as to achieve a non-invasive intelligent grading diagnosis system for liver fibrosis.

Вмешательства

  • Другое
    The fibrosis grades were grouped without drug intervention

Первичные конечные точки

  • Model development [Срок оценки: 2024.6-2024.12]
Вторичные конечные точки (1)
  • Build a multi-modal big data liver fibrosis early warning cloud platform system [Срок оценки: 2025.1-2025.12]

Критерии участия

Критерии включения

  • Age of 18-60 years old
  • The diagnosis of chronic hepatitis B is in line with the diagnostic criteria of China's 2019 Chronic Hepatitis B Prevention and Treatment Guidelines, and the diagnosis of non-alcoholic fatty liver is in line with the Asian Pacific Hepatology Association guidelines
  • Imaging showed no liver cancer

Критерии исключения

  • There are contraindications for liver biopsy
  • Liver pathology did not meet the criteria

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Да

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Китай · 1 центр
  • Haijun Huang — Ханчжоу

Идентификаторы

NCT: NCT06509230 · KY2024072

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗