Abdominal CT kombineret med AI til tidlig screening af leverkræft (LEAF)
12. september 2026 opdateret af: TingBo Liang, Zhejiang University
Klinisk forskning om brugen af abdominal CT kombineret med AI til tidlig screening
Denne undersøgelse planlægger at anvende multiphase-kontrastforbedret og ikke-kontrast CT （computertomografi） Billeder fra 10000 patologisk bekræftede levertumorpatienter på vores hospital.
En AI-kunstig intelligens） -model vil blive brugt til at skitsere 3D-konturerne af levermasser, som derefter vil blive raffineret af radiologer og hepatobiliære-pancreatiske kirurger for at forbedre modelnøjagtigheden.
Ved at inkorporere flere billeddannelsesdata vil modellens genkendelsesfunktioner blive forbedret, lægge grunden til potentielle kliniske forsøg og sigte mod at etablere en overlegen AI -model til screening af tidlig leverkræft på baggrund af CT -billeddannelse.
Studieoversigt
Status
Aktiv, ikke rekrutterende
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Dette forskningsprojekt har til hensigt at anvende multiphase-kontrastforbedret og ikke-kontrast CT-billeder fra 10000 patienter med et fuldt spektrum af levertumorer (såsom HCC （hepatocellulært carcinom）, ICC （intrahepatiske kolangiocarcinoma）, meta （metastasis under, osv.), Bekræftet af det patologiske standard ved vores hospital.
Gennem en forudbestemt AI-model afgrænses 3D-konturerne af forskellige levermasser.
I samarbejde med seniorlæger fra vores hospitals radiologiske afdeling og hepatobiliære pancreaskirurgiske afdeling, vil AI-tegnet konturer blive forfinet for at opnå mere nøjagtige 3D-massemodeller, hvilket forbedrer valideringseffektiviteten af modellen.
Ved at inkorporere flere radiologiske data vil præcisionen af modellen blive forbedret, hvilket øger dens genkendelsesfunktioner og lægger et solidt fundament for efterfølgende potentielle kliniske forsøg.
Det ultimative mål er at etablere en overlegen AI -model til tidlig screening af leverkræft baseret på CTIMaging.
Undersøgelsestype
Interventionel
Tilmelding (Anslået)
2500
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310009
- the First Affiliated Hospital, School of Medicine, Zhejiang University
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Beskrivelse
Inkluderingskriterier:
- Fra 2019 til 2030 har vores hospital samlet ikke-kontrast- og kontrastforbedrede CT-billeder fra patienter med et fuldt spektrum af levertumorer (såsom HCC, ICC, META osv.), Alle bekræftet af den patologiske guldstandard
Ekskluderingskriterier:
- Patienter, der har gennemgået øvre abdominal kirurgi. Eksempler inkluderer post-CECP (endoskopisk retrograd cholangiopancreatography) til bugspytkirtlen, efter-ekstern dræningskirurgi, esophageal kirurgi og gastrektomi, blandt andre.
- Patienter, der har modtaget systemiske behandlinger såsom kemoterapi eller traditionel kinesisk medicin. Eksempler inkluderer kemoterapi til lymfom, kemoterapi til leukæmi, kemoterapi for lungekræft og omfattende behandling af leverkræft osv.
- Patienter med CT-billeder af dårlig kvalitet. Eksempler inkluderer sammenhængende artefakter forårsaget af manglende evne til at placere hænderne på siderne af kroppen og åndedrætsgunstner på grund af dårlig åndedræt osv.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: N/A
- Interventionel model: Enkelt gruppeopgave
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: LEAF
Patients diagnosed with liver cirrosis or those with extrahepatic malignant tumors will be enrolled within three weeks.
Non-contrast chest and abdominal CT scans will be simultaneously reviewed by radiologists in routine clinical workflow and processed by LEAF in real-time.
Daily logs of LEAF-positive alerts will be maintained by the research team.
A prespecified clinical action committee composed of hepatobiliary surgeons and abdominal radiologists will review the case to assess whether the AI finding warrants communication to the treating physician of these patients.
For patients with suspected malignant liver tumors, the committee's consensus on the presence of suspicious lesions will be communicated to their attending physicians, who will then decide whether additional diagnostic assessment is indicated according to standard clinical practice.
|
The LEAF (Liver tumor dEtection And classiFication AI) model will assist in image interpretation.
Patients with positive results for liver malignancy while not reported in standard-of-care CT report will be reviewed by a prespecified clinical action committee composed of hepatobiliary surgeons and abdominal radiologists will review the case and decide whether the AI finding warrants communication to the treating physician of these patients.
For patients with suspected malignant liver tumors, the committee's consensus on the presence of suspicious lesions will be communicated to their attending physicians, who will then decide whether additional diagnostic assessment is indicated according to standard clinical practice, while remaining blinded to the LEAF results.
The standard radiology workflow will not be altered by the study, and LEAF will be evaluated as a risk-stratification and case-flagging tool rather than a replacement for radiologist interpretation.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Detection accuracy in liver tumor assisted by LEAF (Liver tumor dEtection And classiFication AI)
Tidsramme: Within 4 weeks after enrollment
|
Sensitivity, specificity of liver malignancy identification (defined as liver malignancy vs. liver benign tumor and non-tumor)
|
Within 4 weeks after enrollment
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
AI diagnostic performance: patient-level Positive Predictive Value (PPV) and Negative Predictive Value (NPV) of liver malignancy identification
Tidsramme: Within 4 weeks after enrollment
|
Within 4 weeks after enrollment
|
|
|
Clinical utility: number of AI-detected and originally overlooked liver malignant lesions
Tidsramme: Within 4 weeks after enrollment
|
recalled and pathologically confirmed
|
Within 4 weeks after enrollment
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
17. juli 2026
Primær færdiggørelse (Faktiske)
12. august 2026
Studieafslutning (Anslået)
10. november 2026
Datoer for studieregistrering
Først indsendt
28. februar 2025
Først indsendt, der opfyldte QC-kriterier
4. marts 2025
Først opslået (Faktiske)
5. marts 2025
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
15. september 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
12. september 2026
Sidst verificeret
1. marts 2026
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- LEAF
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .