Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

AI-Based Risk Classification and Histopathological Subtype Prediction of Basal Cell Carcinoma Using Dermoscopic Images (BCC-AI)

29. června 2026 aktualizováno: Tugce Nur Izbudak Kara, Istanbul Training and Research Hospital

Risk Classification and Prediction of Histopathological Subtypes in Basal Cell Carcinoma Using a CNN-Based Artificial Intelligence Model on Dermoscopic Images

This retrospective observational study aims to develop and evaluate a convolutional neural network (CNN)-based artificial intelligence model for risk classification and histopathological subtype prediction of basal cell carcinoma (BCC) using clinical and dermoscopic images. Histopathologically confirmed BCC cases from a dermatology archive will be included. The primary objective is to assess the diagnostic performance of the CNN model in classifying BCC as low-risk or high-risk. Secondary objectives include predicting histopathological subtypes and comparing the model's performance with that of dermatology physicians. Histopathological diagnosis will serve as the reference standard. All archived data will be anonymized before analysis.

Přehled studie

Postavení

Nábor

Podmínky

Detailní popis

Basal cell carcinoma (BCC) is the most common skin malignancy and comprises histopathological subtypes with different biological behaviors, recurrence risks, and treatment implications. Accurate identification of high-risk and low-risk subtypes is important for clinical decision-making. Dermoscopy improves diagnostic accuracy in BCC; however, prediction of histopathological risk categories based solely on dermoscopic findings remains challenging.

This retrospective observational study will use archived clinical and dermoscopic images, histopathology reports, and clinical records of patients with histopathologically confirmed BCC. All data will be anonymized before analysis. Images containing identifiable patient information will be excluded.

A convolutional neural network (CNN)-based artificial intelligence model will be developed using clinical and dermoscopic images. Images will undergo preprocessing, including standardization of image size, normalization procedures, and removal of potentially identifiable information. The dataset will be divided into training, validation, and test sets while maintaining separation at the patient level to avoid data leakage.

The primary outcome is the diagnostic performance of the CNN model for classification of BCC into low-risk and high-risk histopathological groups. Secondary outcomes include prediction of histopathological subtypes and comparison of model performance with dermatologist assessments. Histopathological diagnosis will serve as the reference standard.

Model performance will be evaluated using accuracy, sensitivity, specificity, precision, recall, F1 score, and area under the receiver operating characteristic curve (ROC-AUC). Comparisons between the artificial intelligence model and physician assessments will be performed using appropriate statistical methods. Interobserver agreement may also be assessed when applicable.

Typ studie

Pozorovací

Zápis (Odhadovaný)

2500

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

  • Jméno: tugce nur izbudak kara, MD
  • Telefonní číslo: +905395976598
  • E-mail: eizbudak@icloud.com

Studijní místa

  • Turecko (Türkiye)
    • Istanbul
      • Istanbul, Istanbul, Turecko (Türkiye), 34000
        • Nábor
        • Istanbul Training and Research Hospital
        • Kontakt:
        • Kontakt:
        • Vrchní vyšetřovatel:
          • Ayse Esra Koku Aksu, MD
        • Dílčí vyšetřovatel:
          • Tugce Nur Izbudak Kara, MD
        • Dílčí vyšetřovatel:
          • Duygu Yamen, MD

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

  • Dítě
  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

The study population consists of patients with histopathologically confirmed basal cell carcinoma who have dermoscopic images of sufficient quality for artificial intelligence analysis and documented histopathological subtype information. Archived clinical and dermoscopic images collected at Istanbul Training and Research Hospital will be retrospectively analyzed.

Popis

Inclusion Criteria:

  • Patients with histopathologically confirmed basal cell carcinoma.
  • Cases with a specified histopathological subtype.
  • Availability of dermoscopic images with sufficient image quality and resolution for artificial intelligence analysis.

Exclusion Criteria:

  • Cases without histopathological confirmation of basal cell carcinoma.
  • Cases with unspecified histopathological subtype.
  • Images with insufficient quality or resolution for artificial intelligence analysis.
  • Cases without available dermoscopic images.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Kohorty a intervence

Skupina / kohorta
Low-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed low-risk basal cell carcinoma, including nodular, superficial, pigmented, adenoid, solid, and nodulocystic subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and subtype prediction.
High-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed high-risk basal cell carcinoma, including infiltrative, micronodular, morpheaform, and basosquamous subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and histopathological subtype prediction.

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Accuracy of artificial intelligence-based classification of basal cell carcinoma risk groups
Časové okno: Baseline
Diagnostic accuracy of the convolutional neural network model in distinguishing low-risk and high-risk basal cell carcinoma using dermoscopic images, compared with histopathological diagnosis as the reference standard.
Baseline

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of convolutional neural network for histopathological subtype prediction of basal cell carcinoma using dermoscopic images
Časové okno: baseline
Diagnostic performance of the convolutional neural network in predicting histopathological subtypes of basal cell carcinoma from dermoscopic images compared with histopathological diagnosis (reference standard). Diagnostic accuracy will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of artificial intelligence compared with dermatologists for basal cell carcinoma risk classification
Časové okno: baseline
Comparison of diagnostic performance between the artificial intelligence model and dermatologists in risk classification of basal cell carcinoma. Performance will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Istanbul Training and Research Hospital

Vyšetřovatelé

  • Vrchní vyšetřovatel: Ayse Esra Koku Aksu, MD, Istanbul Training and Research Hospital

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

22. května 2026

Primární dokončení (Odhadovaný)

22. května 2027

Dokončení studie (Odhadovaný)

22. května 2027

Termíny zápisu do studia

První předloženo

19. června 2026

První předloženo, které splnilo kritéria kontroly kvality

29. června 2026

První zveřejněno (Aktuální)

30. června 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

30. června 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

29. června 2026

Naposledy ověřeno

1. června 2026

Více informací

Termíny související s touto studií

Klíčová slova

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • SBU-IEAH-DERM-BCCAI-163
  • IEAH-EC-163 (Jiný identifikátor: Istanbul Training and Research Hospital Non-Interventional Clinical Research Ethics Committee)

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

ANO

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Klinické studie na Bazaliom

Prohledejte podobné pokusy

Sponzoři a spolupracovníci

Zdravotní podmínky

Drogové intervence

CROs by country

CROs in Slovenia

Podmínky

Vzácné nemoci

Drogové intervence

Doplňky stravy

Sponzor / Spolupracovníci

Místa

3
Předplatit