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

Federated Learning in Renal Tumor Model

28. října 2026 aktualizováno: Jiwen Cheng, First Affiliated Hospital of Guangxi Medical University

Research on the Application of Federated Learning in the Construction of Deep Learning Models for Renal Tumor Imaging

This is a multicenter, retrospective and prospective diagnostic clinical trial evaluating the effectiveness and safety of CascadeDiagnose Renal Tumor CT, an AI-assisted detection system for renal tumors based on contrast-enhanced multiphase CT imaging. The system employs a cascaded deep learning architecture to perform fully automated analysis of multiphase CT images, covering image quality review, lesion detection and segmentation, benign-malignant differentiation, and risk stratification, with traceable evidence chains and interpretable outputs. The study is conducted across six tertiary hospitals in Guangxi, China, utilizing a distributed "data stays on-site, computation moves across centers" federated learning network, which ensures that original patient data remain within each hospital while encrypted intermediate features are shared for cross-center collaborative analysis. A total of at least 3000 patients with renal tumors will be enrolled (approximately 2600 in the retrospective phase and 400 in the prospective phase). The primary effectiveness outcomes include area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). The primary safety outcomes include false negative rate, false positive rate, and adverse events. The study also incorporates a multi-reader, multi-case (MRMC) design to compare the diagnostic performance of the AI system with radiologists of varying seniority, and to evaluate the system's utility in assisting junior radiologists. The findings of this study are expected to provide high-quality clinical evidence for the regulatory approval of this AI-assisted diagnostic system as a Class III medical device.

Přehled studie

Postavení

Zatím nenabíráme

Podmínky

Typ studie

Pozorovací

Zápis (Odhadovaný)

3000

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: Hai-qi Liang, MD
  • Telefonní číslo: 86+18176618137
  • E-mail: liahiki@163.com

Studijní záloha kontaktů

  • Jméno: Nai-kai Liao, MD
  • Telefonní číslo: 86+18776891703
  • E-mail: 2546419718@qq.com

Studijní místa

  • Čína
    • Guangxi
      • Guigang, Guangxi, Čína, 537100
        • Guigang People's Hospital
        • Kontakt:
      • Guilin, Guangxi, Čína, 541002
        • Guilin People's Hospital
        • Kontakt:
      • Liuzhou, Guangxi, Čína, 545006
        • Liuzhou People's Hospital
        • Kontakt:
      • Nanning, Guangxi, Čína, 530021
        • The First Affiliated Hospital of Guangxi Medical University
        • Kontakt:
        • Kontakt:
          • Haiqi Liang, MD
          • Telefonní číslo: 86+18176618137
          • E-mail: liahiki@163.com
        • Dílčí vyšetřovatel:
          • Shenghua Deng, MD
      • Nanning, Guangxi, Čína, 530021
        • Nanning Second People's Hospital
        • Kontakt:
      • Wuzhou, Guangxi, Čína, 543002
        • Wuzhou Red Cross Hospital
        • Kontakt:

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

18 let až 60 let (Dospělý)

Přijímá zdravé dobrovolníky

Ne

Pohlaví způsobilá ke studiu

Všechno

Metoda odběru vzorků

Ukázka pravděpodobnosti

Studijní populace

The study population consists of approximately 3,000 patients with pathologically confirmed renal tumors (benign or malignant) who underwent contrast-enhanced CT at ten Guangxi hospitals between January 2019 and June 2026. Cases are consecutively enrolled using a unified time window and strict inclusion/exclusion criteria. Eligible patients must have complete pre-operative contrast-enhanced CT, good image quality, and traceable clinical-pathological data. Exclusions include non-contrast CT only, severe artifacts, prior nephrectomy (except recurrence/residual), and incomplete data. Enrollment targets are 600 cases at the lead site and 300 at each of the nine participating centers.

Popis

Inclusion Criteria:

  1. Patients pathologically confirmed as having renal tumors (either benign or malignant) by surgery or biopsy;
  2. Underwent contrastenhanced renal CT before surgery or treatment;
  3. CT images are of good quality and clearly depict the renal lesion contour;
  4. Complete and traceable clinical and pathological data.

Exclusion Criteria:

  1. Patients who did not undergo contrastenhanced CT before surgery, or only had noncontrast CT;
  2. CT images with significant motion artifacts, metal artifacts, or excessive noise that impair lesion assessment;
  3. Lesions too small (maximum diameter <1 mm) or not identifiable on imaging;
  4. Patients who previously underwent partial or radical nephrectomy for renal tumors (except for recurrent/residual lesions);
  5. Incomplete clinical data or pathological results.

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

  • Observační modely: CASE_CONTROL
  • Časové perspektivy: OTHER

Kohorty a intervence

Skupina / kohorta
Malignant renal tumor
Benign renal tumor

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Dice Similarity Coefficient for Renal Tumor Segmentation
Časové okno: The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

The primary outcome measure is the Dice Similarity Coefficient for renal tumor segmentation on contrast-enhanced CT, comparing the federated learning model against a centralized training model with a non-inferiority margin of Δ = -0.05. This outcome will be assessed at the end of the model training phase using an independent multi-center test set.
The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Classification Performance Metrics and Heterogeneity Impact Assessment
Časové okno: Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

The secondary outcomes are: (1) classification performance metrics-AUC, accuracy, sensitivity, and specificity-for benign versus malignant renal tumor discrimination, with pathological diagnosis as the reference; and (2) the impact of data heterogeneity on model performance, assessed by comparing Dice coefficients and AUC values across centers and pathological subtypes. All secondary outcomes will be evaluated at the completion of the model training phase, approximately 18 months after study initiation, after the final federated aggregation and ensemble model construction, using the independent multi-center test set, with center-specific and subtype-specific analyses performed thereafter.
Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

First Affiliated Hospital of Guangxi Medical University

Vyšetřovatelé

  • Ředitel studie: Min Qin, MD, First Affiliated Hospital of Guangxi Medical University

Publikace a užitečné odkazy

Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.

Obecné publikace

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 (Odhadovaný)

1. října 2026

Primární dokončení (Odhadovaný)

30. srpna 2028

Dokončení studie (Odhadovaný)

30. srpna 2028

Termíny zápisu do studia

První předloženo

19. srpna 2026

První předloženo, které splnilo kritéria kontroly kvality

21. září 2026

První zveřejněno (Aktuální)

25. září 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

30. října 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

28. října 2026

Naposledy ověřeno

1. října 2026

Více informací

Termíny související s touto studií

Klíčová slova

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • 2026-S0835

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NE

Popis plánu IPD

Individual Participant Data (IPD) will not be shared in this study. The primary reasons are threefold: (1) strict legal restrictions under China's Data Security Law and Personal Information Protection Law prohibit cross-institutional transfer of raw medical data without explicit consent; (2) as a retrospective study spanning several years, obtaining renewed consent from all participants is practically infeasible; and (3) the core federated learning framework inherently eliminates the need for IPD sharing-only encrypted model parameters are transmitted, while raw CT images and clinical data remain securely stored at each participating center. This design fully protects patient privacy, complies with all regulatory requirements, and ensures the study's collaborative objectives are achieved without ever exposing individual-level data.

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 .

Předplatit