Меню
Идёт набор NCT07463300

A Hierarchical Multi-modal AI Framework for Pathological and Genetic Subtyping of Lung Cancer Based on PET/CT Imaging

— Наблюдательное Lung Cancer

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: PET imaging analysis, data mining, and AI model developing.
Кому может быть актуально
Состояния в реестре: Lung Cancer. Базовые параметры: от 18 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 →

Обзор

PET/CT imaging and clinical information (age, gender, smoking history, family history of cancer, history of present illness, and several tumor biomarkers, etc.) were used to establish a hierarchical multi-modal AI framework for pathological and genetic subtyping of lung cancer

Подробное описание

The multi-modal AI framework is developed to facilitate a hierarchical and precise stratification process. The first level involves the accurate differentiation between small cell lung cancer and non-small cell lung cancer (NSCLC) in patients diagnosed with lung cancer. The second level entails the further categorization of NSCLC patients into adenocarcinoma, squamous cell carcinoma, and other less prevalent subtypes. The third level involves predicting the mutation status of the EGFR driver gene, which is most-commonly observed in patients with lung adenocarcinoma. The whole cohort was divided into the training cohort (retrospective), validation cohort (retrospective), test cohort (retrospective), and prospective cohort.

Вмешательства

  • Другое PET imaging analysis, data mining, and AI model developing
    PET imaging analysis, data mining, and AI model developing

Первичные конечные точки

  • Accurate differentiation between small cell lung cancer and non-small cell lung cancer [Срок оценки: 1 year]
Вторичные конечные точки (1)
  • Histological subtyping of NSCLC, including adenocarcinoma, squamous cell carcinoma, and other NSCLC subtypes [Срок оценки: 1 year]

Критерии участия

Критерии включения

  • Newly diagnosed NSCLC confirmed pathologically
  • Age ≥18 y
  • Underwent pre-treatment 18F-FDG PET/CT scan
  • No prior anti-tumor treatments
  • No history of other malignancies

Критерии исключения

▪ Pure ground-glass nodules with no FDG uptake

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

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Китай · 9 центров
  • Guangdong Second Provincial General Hospital — Гуанчжоу
  • Wuhan Tongji Hospital — Ухань
  • Zhongnan Hospital — Ухань
  • Northern Jiangsu People's Hospital — Yangzhou
  • First Hospital of China Medical University — Шэньян
  • West China Hospital — Чэнду
  • The First Affiliated Hospital of Zhejiang Chinese Medical University — Ханчжоу
  • Department of Nuclear Medicine and PET/CT Center, The Second Affiliated Hospital, School o — Ханчжоу
  • … и ещё 1 центр

Идентификаторы

NCT: NCT07463300 · 2024-0689

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗