Ein Künstliches-Intelligenz-System zur multimodalen, multiklassigen Diagnostik solider Pankreasläsionen basierend auf endoskopischem Ultraschall
Ein künstliches Intelligenzsystem für die multimodale, multiklassige Diagnose solider Pankreasläsionen auf Basis der endoskopischen Ultraschalluntersuchung
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Zhen Li
- Telefonnummer: 18560086106
- E-Mail: qilulizhen@sdu.edu.cn
Studienorte
-
-
Shandong
-
Jinan, Shandong, China, 250012
- Rekrutierung
- Qilu Hospital of Shandong University
-
Kontakt:
- Zhen Li, doctor
- Telefonnummer: 18560086106
- E-Mail: qilulizhen@sdu.edu.cn
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten im Alter von ≥18 Jahren, die für eine EUS-Untersuchung bei Verdacht auf solide Pankreasläsionen aufgrund klinischer Symptome, Anamnese, Labortests oder radiologischer Untersuchungen geplant sind, erklären sich mit der Teilnahme an der Forschung einverstanden und können eine Einwilligungserklärung unterzeichnen.
- Patienten ohne vorherige Behandlung von Pankreasläsionen.
Ausschlusskriterien:
- Patienten mit absoluten Kontraindikationen für die EUS-Untersuchung.
- Schwangerschaft oder Stillzeit.
- Nicht korrigierbare Koagulopathie (PTT>50 Sekunden oder INR>1,5) und/oder nicht korrigierbare Thrombozytopenie (Thrombozytenzahl<50×109/L).
- Obere gastrointestinale Obstruktion.
- Patienten, die sich einer chirurgischen Behandlung oder anatomischen Veränderungen der Bauchspeicheldrüse aufgrund von Läsionen in anderen thorakalen und/oder abdominalen Organen unterzogen haben, sowie Patienten mit angeborenen anatomischen Anomalien.
- Patienten, bei denen eine Gallen-/Pankreasgang-Stentimplantation durchgeführt wurde.
- Patienten, die die Unterzeichnung der Einwilligungserklärung verweigern.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Patienten, die sich einer EUS unterziehen
Patienten im Alter von ≥18 Jahren, die aufgrund klinischer Symptome, Krankengeschichte, Laboruntersuchungen oder radiologischer Untersuchungen für eine EUS mit Verdacht auf solide Pankreasläsionen geplant sind, erklären sich mit der Teilnahme an der Forschung einverstanden und sind in der Lage, eine Einwilligungserklärung zu unterzeichnen.
|
Das iEUS-SPL erkennt automatisch solide Pankreasläsionen und integriert die endoskopischen Ultraschallbilder des Patienten, endoskopische Ultraschallmerkmale, klinische Daten und Bildgebungsmerkmale, um eine Fünf-Kategorien-Klassifizierung für die Läsionen durchzuführen, die diese als Pankreaskarzinom, pankreatischen neuroendokrinen Tumor, solid-pseudopapillären Tumor, autoimmune Pankreatitis und chronische Pankreatitis kategorisiert.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Genauigkeit von iEUS-SPL für solide Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ziel der Studie ist die Bewertung der Genauigkeit des iEUS-SPL bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskrebs, pankreatischen neuroendokrinen Tumoren, soliden pseudopapillären Tumoren, autoimmuner Pankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Die Sensitivität von iEUS-SPL für solide Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ergebnis der Studie ist die Bewertung der Sensitivität des iEUS-SPL bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatischem neuroendokrinem Tumor, solidem pseudopapillärem Tumor, autoimmuner Pankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Die Spezifität von iEUS-SPL für solide Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ergebnis der Studie ist die Bewertung der Spezifität des iEUS-SPL bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskrebs, pankreatischen neuroendokrinen Tumoren, soliden pseudopapillären Tumoren, autoimmuner Pankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Der positive prädiktive Wert von iEUS-SPL für solide Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ergebnis der Studie ist die Bewertung des positiven Vorhersagewerts der iEUS-SPL bei der Identifizierung fester Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatischem neuroendokrinen Tumor, solid-pseudopapillärem Tumor, Autoimmunpankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Der negative prädiktive Wert von iEUS-SPL für solide Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ergebnis der Studie ist die Bewertung des negativen prädiktiven Werts des iEUS-SPL bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatischem neuroendokrinem Tumor, solidem pseudopapillärem Tumor, Autoimmunpankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
die Läsionserkennungsrate von iEUS-SPL für die Erkennung solider Pankreasläsionen
Zeitfenster: Während des Eingriffs
|
Das primäre Ergebnis der Studie ist die Bewertung der Läsionserkennungsrate des iEUS-SPL bei der Identifizierung solider Pankreasläsionen (definiert als die Anzahl der erkannten Läsionen geteilt durch die Gesamtzahl der Läsionen).
|
Während des Eingriffs
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vergleich der Genauigkeit zwischen iEUS-SPL und Endosonographen
Zeitfenster: Während des Eingriffs
|
Das sekundäre Ergebnis der Studie ist der Vergleich der Genauigkeit zwischen iEUS-SPL und Endosonographen verschiedener Erfahrungsstufen bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatischem neuroendokrinen Tumor, solidem pseudopapillären Tumor, Autoimmunpankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Vergleich der Sensitivität zwischen iEUS-SPL und Endosonografen
Zeitfenster: Während des Eingriffs
|
Das sekundäre Studienziel ist der Vergleich der Sensitivität zwischen iEUS-SPL und Endosonografen unterschiedlicher Erfahrungsstufen bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatisches neuroendokrines Tumors, solid-pseudopapillärer Tumor, autoimmune Pankreatitis, chronische Pankreatitis).
|
Während des Eingriffs
|
|
Vergleich der Spezifität zwischen iEUS-SPL und Endosonografen
Zeitfenster: Während des Eingriffs
|
Das sekundäre Ergebnis der Studie ist der Vergleich der Spezifität zwischen iEUS-SPL und Endosonographen verschiedener Ebenen bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, neuroendokriner Pankreastumor, solid-pseudopapillärer Tumor, autoimmune Pankreatitis, chronische Pankreatitis).
|
Während des Eingriffs
|
|
Vergleich des positiven prädiktiven Werts zwischen iEUS-SPL und Endosonographen
Zeitfenster: Während des Eingriffs
|
Das sekundäre Studienziel ist der Vergleich des positiven Vorhersagewerts zwischen iEUS-SPL und Endosonographen verschiedener Erfahrungsstufen bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatischem neuroendokrinen Tumor, solid-pseudopapillärem Tumor, Autoimmunpankreatitis, chronischer Pankreatitis).
|
Während des Eingriffs
|
|
Vergleich des negativen prädiktiven Werts zwischen iEUS-SPL und Endosonografen
Zeitfenster: Während des Eingriffs
|
Das sekundäre Studienziel besteht darin, den negativen prädiktiven Wert zwischen iEUS-SPL und Endosonografen verschiedener Erfahrungsstufen bei der Identifizierung solider Pankreasläsionen (einschließlich Pankreaskarzinom, pankreatisches neuroendokrines Tumoren, solid-pseudopapillären Tumoren, autoimmuner Pankreatitis, chronischer Pankreatitis) zu vergleichen.
|
Während des Eingriffs
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Wu HL, Yao LW, Shi HY, Wu LL, Li X, Zhang CX, Chen BR, Zhang J, Tan W, Cui N, Zhou W, Zhang JX, Xiao B, Gong RR, Ding Z, Yu HG. Validation of a real-time biliopancreatic endoscopic ultrasonography analytical device in China: a prospective, single-centre, randomised, controlled trial. Lancet Digit Health. 2023 Nov;5(11):e812-e820. doi: 10.1016/S2589-7500(23)00160-7. Epub 2023 Sep 27.
- Oh CK, Kim T, Cho YK, Cheung DY, Lee BI, Cho YS, Kim JI, Choi MG, Lee HH, Lee S. Convolutional neural network-based object detection model to identify gastrointestinal stromal tumors in endoscopic ultrasound images. J Gastroenterol Hepatol. 2021 Dec;36(12):3387-3394. doi: 10.1111/jgh.15653. Epub 2021 Aug 16.
- Bang JY, Saftoiu A, Udristoiu A, Gruionu L, Codruta Gheorghe E, Gruionu G, Ramesh J, Wilcox CM, Varadarajulu S. Prospective clinical validation of a novel artificial intelligence system for real-time detection of solid pancreatic masses during endoscopic ultrasonography. Endoscopy. 2025 Oct 13. doi: 10.1055/a-2701-6530. Online ahead of print.
- Cui H, Zhao Y, Xiong S, Feng Y, Li P, Lv Y, Chen Q, Wang R, Xie P, Luo Z, Cheng S, Wang W, Li X, Xiong D, Cao X, Bai S, Yang A, Cheng B. Diagnosing Solid Lesions in the Pancreas With Multimodal Artificial Intelligence: A Randomized Crossover Trial. JAMA Netw Open. 2024 Jul 1;7(7):e2422454. doi: 10.1001/jamanetworkopen.2024.22454.
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6.
- Dahiya DS, Al-Haddad M, Chandan S, Gangwani MK, Aziz M, Mohan BP, Ramai D, Canakis A, Bapaye J, Sharma N. Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Cancer: Where Are We Now and What Does the Future Entail? J Clin Med. 2022 Dec 16;11(24):7476. doi: 10.3390/jcm11247476.
- Kim YH, Kim GH, Kim KB, Lee MW, Lee BE, Baek DH, Kim DH, Park JC. Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. J Clin Med. 2020 Sep 29;9(10):3162. doi: 10.3390/jcm9103162.
- Qin X, Zhang M, Zhou C, Ran T, Pan Y, Deng Y, Xie X, Zhang Y, Gong T, Zhang B, Zhang L, Wang Y, Li Q, Wang D, Gao L, Zou D. A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma. Cancer Med. 2023 Aug;12(16):17005-17017. doi: 10.1002/cam4.6335. Epub 2023 Jul 17.
- Tian S, Shi H, Chen W, Li S, Han C, Du F, Wang W, Wen H, Lei Y, Deng L, Tang J, Zhang J, Lin J, Shi L, Ning B, Zhao K, Miao J, Wang G, Hou H, Huang X, Kong W, Jin X, Ding Z, Lin R. Artificial intelligence-based diagnosis of standard endoscopic ultrasonography scanning sites in the biliopancreatic system: a multicenter retrospective study. Int J Surg. 2024 Mar 1;110(3):1637-1644. doi: 10.1097/JS9.0000000000000995.
- Oh S, Kim YJ, Park YT, Kim KG. Automatic Pancreatic Cyst Lesion Segmentation on EUS Images Using a Deep-Learning Approach. Sensors (Basel). 2021 Dec 30;22(1):245. doi: 10.3390/s22010245.
- Norton ID, Zheng Y, Wiersema MS, Greenleaf J, Clain JE, Dimagno EP. Neural network analysis of EUS images to differentiate between pancreatic malignancy and pancreatitis. Gastrointest Endosc. 2001 Nov;54(5):625-9. doi: 10.1067/mge.2001.118644.
- Nakamura H, Fukuda M, Matsuda A, Makino N, Kimura H, Ohtaki Y, Nawa Y, Oyama S, Suzuki Y, Kobayashi T, Ishizawa T, Kakizaki Y, Ueno Y. Differentiating localized autoimmune pancreatitis and pancreatic ductal adenocarcinoma using endoscopic ultrasound images with deep learning. DEN Open. 2024 Mar 2;4(1):e344. doi: 10.1002/deo2.344. eCollection 2024 Apr.
- Dhali A, Kipkorir V, Srichawla BS, Kumar H, Rathna RB, Ongidi I, Chaudhry T, Morara G, Nurani K, Cheruto D, Biswas J, Chieng LR, Dhali GK. Artificial intelligence assisted endoscopic ultrasound for detection of pancreatic space-occupying lesion: a systematic review and meta-analysis. Int J Surg. 2023 Dec 1;109(12):4298-4308. doi: 10.1097/JS9.0000000000000717.
- Das A, Nguyen CC, Li F, Li B. Digital image analysis of EUS images accurately differentiates pancreatic cancer from chronic pancreatitis and normal tissue. Gastrointest Endosc. 2008 May;67(6):861-7. doi: 10.1016/j.gie.2007.08.036. Epub 2008 Jan 7.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Kuraishi Y, Fumihara D, Yanaidani T, Ishikawa S, Yasuda T, Yamada M, Onishi S, Yamada K, Tanaka T, Tajika M, Niwa Y, Yamaguchi R, Shimizu Y. Artificial intelligence using deep learning analysis of endoscopic ultrasonography images for the differential diagnosis of pancreatic masses. Endoscopy. 2023 Feb;55(2):140-149. doi: 10.1055/a-1873-7920. Epub 2022 Jun 10.
- Tian G, Xu D, He Y, Chai W, Deng Z, Cheng C, Jin X, Wei G, Zhao Q, Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography. Front Oncol. 2022 Oct 7;12:973652. doi: 10.3389/fonc.2022.973652. eCollection 2022.
- Qin X, Ran T, Chen Y, Zhang Y, Wang D, Zhou C, Zou D. Artificial Intelligence in Endoscopic Ultrasonography-Guided Fine-Needle Aspiration/Biopsy (EUS-FNA/B) for Solid Pancreatic Lesions: Opportunities and Challenges. Diagnostics (Basel). 2023 Sep 26;13(19):3054. doi: 10.3390/diagnostics13193054.
- Goyal H, Sherazi SAA, Gupta S, Perisetti A, Achebe I, Ali A, Tharian B, Thosani N, Sharma NR. Application of artificial intelligence in diagnosis of pancreatic malignancies by endoscopic ultrasound: a systemic review. Therap Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- 2025-SDU-QILU-6
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .