Меню
Идёт набор NCT06540846

Deep Learning for Histopathological Classification and Prognostication of Gynaecologic Smooth Muscle Tumours

— Наблюдательное Stump

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
В протоколе указаны: No intervention.
Кому может быть актуально
Состояния в реестре: Stump. Базовые параметры: Без ограничений · Женщины.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Франция
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 →

Обзор

Smooth muscle tumors of the uterus that do not fit the diagnostic criteria of benignity (such as leiomyomas) or malignancy (such as leiomyosarcomas) are called STUMP (smooth muscle tumor of uncertain malignant potential). A potential solution to this problem could be the application of predictive models using artificial intelligence (AI) to aid in the histopathological classification and prognosis of gynecological smooth muscle tumors. Deep learning using convolutional neural networks represents a specific class of machine learning, in which predictive models are trained by considering small groups of pixels in digital images and iteratively identifying salient features. In this study, we aim to develop deep learning models capable of accurately subclassifying and predicting the prognosis of gynecological smooth muscle tumors, based on histopathological features of hematoxylin and eosin (H\&E) slides. The aim is to develop a diagnostic and prognostic algorithm to help pathologists better classify and diagnose uterine smooth muscle tumors and predict their clinical course.

Вмешательства

  • Другое No intervention
    No intervention since this is an observational study

Первичные конечные точки

  • Develop deep learning models that can accurately subclassify gynaecologic smooth muscle tumours [Срок оценки: throughout the conduct of the study - an expected average of 6 months after data collection]
Вторичные конечные точки (1)
  • Develop a prognostic tool for STUMP [Срок оценки: 6 months after receiving the data.]

Критерии участия

Критерии включения

  • Patients with a diagnosis of uterine smooth muscle tumors (leiomyomas, smooth muscle tumors of uncertain malignancy and leiomyosarcomas), registered in the RRePS database and/or treated at Institut Bergonié or one of the participating centers.
  • Histopathological material available (kerosene blocks and/or slides).
  • The follow-up (outcome) is required for each LMS/ STUMP.

Критерии исключения

  • na

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

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Франция · 1 центр
  • Institut Bergonie — Bordeaux

Идентификаторы

NCT: NCT06540846 · IB2023-STUMP

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗