AI Models for Predicting Occult Pleural Dissemination in NSCLC

Rövid összefoglaló (regiszter, angolul)

Occult pleural dissemination (PD) in non-small cell lung cancer (NSCLC) patients is likely to be missed on computed tomography (CT) scans, associated with poor survival, and generally contraindicated for radical surgery. This study aimed to develop and compare the performance of radiomics-based machine learning (ML), deep learning (DL), and fusion models to preoperatively identify occult PDs in NSCLC patients. Patients from three Chinese high-volume medical centers (2016-2023) were retrospectively collected and divided into training, internal test, and external test cohorts. Ten radiomics-based ML models and eight DL models were trained using CT plain scan images at the maximum cross-sectional areas of the primary tumor. Moreover, another two fusion models (prefusion and postfusion) were developed using feature-based and decision-based methods. The receiver operating characteristic curve (ROC) and area under the curve (AUC) were mainly used to compare the predictive performance of the models.

Mit vállalsz

• Vizsgálat típusa: Megfigyeléses
• Bevont résztvevők: 326
• 2023. dec. 13. és az elsődleges befejezés (2025. jan. 1.) között
• 1 helyszín, 1 országban
• Vizitek és vizsgálatok: kérdezd a vizsgálat csapatát, a regiszter nem sorolja fel őket

A(z) ClinicalTrials.gov regisztermezőiből összeállítva. A vizsgálat felépítését írja le.

Ki nem vehet részt

Szó szerint a(z) ClinicalTrials.gov forrásból, témák szerint csoportosítva. Hogy ki vehet részt, azt csak a vizsgálat csapata dönti el.

Kiket keres a vizsgálat

Nem: nők és férfiak · Egészséges önkénteseket nem fogad

A teljes feltétellista: ClinicalTrials.gov

Helyszínek (1)

Helyszínek a regiszter sorrendjében. Ha a profilodba mented a városodat, távolság szerint rendeződnek.

Te vagy a koordinátor? Erősítsd meg az adatokat