Die Abdominal -CT in Kombination mit KI zum frühen Screening von Leberkrebs (LEAF)
12. September 2026 aktualisiert von: TingBo Liang, Zhejiang University
Klinische Forschung zur Verwendung von Abdominal -CT in Kombination mit KI für frühes Screening
Diese Studie plant zur Verwendung von mehrphasigen kontrastmittelverstärkten und nicht kontrastischen CT （Computed Tomography） Bilder von 10000 pathologisch bestätigten Lebertumorpatienten in unserem Krankenhaus.
Ein KI-（-künstliches Intelligenzmodell wird verwendet, um die 3D-Konturen von Lebermassen zu skizzieren, die dann von Radiologen und hepatobiliären Pankreas-Chirurgen verfeinert werden, um die Genauigkeit der Modell zu verbessern.
Durch die Einbeziehung weiterer Bildgebungsdaten werden die Erkennungsfunktionen des Modells verbessert, die Grundlagen für prospektive klinische Studien aufstellen und ein überlegenes KI -Modell für ein frühes Leberkrebs -Screening auf der Grundlage der CT -Bildgebung herstellen.
Studienübersicht
Status
Aktiv, nicht rekrutierend
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Dieses Forschungsprojekt beabsichtigt, Mehrphasenkontrast- und Nicht-kontrastreiche CT-Bilder von 10000 Patienten mit einem vollständigen Spektrum von Lebertumoren (wie HCC-Hepatozellulärkarzinom）, ICC （Intrahepatischer Cholangiocinom）, Meta （Metastasier usw. usw. bestätigt, usw. bestätigt, usw. bestätigt.
Durch ein vorgefertigtes KI-Modell werden die 3D-Konturen verschiedener Lebermassen abgegrenzt.
In Zusammenarbeit mit hochrangigen Ärzten aus der Radiologieabteilung unseres Krankenhauses und der Abteilung für hepatobile Pankreaschirurgie werden die KI-gezeichneten Konturen verfeinert, um genauere 3D-Massenmodelle zu erhalten, wodurch die Validierungswirksamkeit des Modells verbessert wird.
Durch die Einbeziehung von radiologischen Daten wird die Präzision des Modells verbessert, wodurch seine Erkennungsfunktionen erhöht und eine solide Grundlage für nachfolgende prospektive klinische Studien gelegt werden.
Das ultimative Ziel ist es, ein überlegenes KI -Modell für das frühzeitige Screening von Leberkrebs auf der Grundlage von CTImaging zu etablieren.
Studientyp
Interventionell
Einschreibung (Geschätzt)
2500
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310009
- the First Affiliated Hospital, School of Medicine, Zhejiang University
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Beschreibung
Einschlusskriterien:
- Von 2019 bis 2030 hat unser Krankenhaus nicht kontrastreiche und kontrastverstärkte CT
Ausschlusskriterien:
- Patienten, die sich einer oberen Bauchoperation unterzogen haben. Beispiele sind post-ERCP (endoskopische retrograde Cholangiopankreatographie) für die Bauchspeicheldrüse, postexternale Entwässerungsoperation, Speiseröhrechirurgie und Gastrektomie.
- Patienten, die systemische Behandlungen wie Chemotherapie oder traditionelle chinesische Medizin erhalten haben. Beispiele sind Chemotherapie für Lymphom, Chemotherapie bei Leukämie, Chemotherapie bei Lungenkrebs und umfassende Behandlung von Leberkrebs usw.
- Patienten mit CT-Bildern mit schlechter Qualität. Beispiele hierfür sind Faltungsartefakte, die durch die Unfähigkeit verursacht werden, den Seiten des Körpers und der Atemartefakte aufgrund schlechter Atemstörungen usw. Hände zu platzieren.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: N / A
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: 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.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Detection accuracy in liver tumor assisted by LEAF (Liver tumor dEtection And classiFication AI)
Zeitfenster: 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
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
AI diagnostic performance: patient-level Positive Predictive Value (PPV) and Negative Predictive Value (NPV) of liver malignancy identification
Zeitfenster: Within 4 weeks after enrollment
|
Within 4 weeks after enrollment
|
|
|
Clinical utility: number of AI-detected and originally overlooked liver malignant lesions
Zeitfenster: Within 4 weeks after enrollment
|
recalled and pathologically confirmed
|
Within 4 weeks after enrollment
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
17. Juli 2026
Primärer Abschluss (Tatsächlich)
12. August 2026
Studienabschluss (Geschätzt)
10. November 2026
Studienanmeldedaten
Zuerst eingereicht
28. Februar 2025
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
4. März 2025
Zuerst gepostet (Tatsächlich)
5. März 2025
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
15. September 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
12. September 2026
Zuletzt verifiziert
1. März 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- LEAF
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .