Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning
19. Mai 2026 aktualisiert von: Yunnan Cancer Hospital
Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning: Multicenter Retrospective and Prospective Validation
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
Studienübersicht
Status
Noch keine Rekrutierung
Bedingungen
Studientyp
Interventionell
Einschreibung (Geschätzt)
5000
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Zhenhui LI
- Telefonnummer: 13698736132
- E-Mail: lizhenhui@kmmu.edu.cn
Studieren Sie die Kontaktsicherung
- Name: Yu Xie
- Telefonnummer: 13708445492
- E-Mail: xieyu@kmmu.edu.cn
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
Nein
Beschreibung
Inclusion Criteria
- Female patients aged ≥ 18 years.
- Complete bilateral digital breast tomosynthesis (DBT) images available, including craniocaudal (CC) and mediolateral oblique (MLO) views.
- Confirmed pathological diagnosis (core needle biopsy or surgical resection) serving as the reference standard; or benign lesions with stable findings on follow-up for more than 2 years.
- (For the efficacy prediction subgroup) Patients who received complete neoadjuvant therapy and had postoperative pathological results.
2. Exclusion Criteria
- Poor image quality with severe artifacts that precluded reliable analysis.
- History of previous breast surgery or radiotherapy (except for the recurrence risk subgroup).
- Incomplete clinical or pathological data.
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: The application value of digital breast tomosynthesis in the accurate diagnosis of breast cancer
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
|
The digital breast tomosynthesis is part of the standard treatment protocol.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
The accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images.
Zeitfenster: 1day
|
Taking surgical or puncture histopathological results as the gold standard, the accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images was evaluated.
It focuses on challenging BI-RADS 4A lesions, covering retrospective multi-center validation sets and prospective multi-center validation sets to ensure the representativeness and rigor of the indicator.
|
1day
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Studienleiter: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital
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 (Geschätzt)
20. Mai 2026
Primärer Abschluss (Geschätzt)
31. Dezember 2026
Studienabschluss (Geschätzt)
30. Juni 2029
Studienanmeldedaten
Zuerst eingereicht
27. April 2026
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
19. Mai 2026
Zuerst gepostet (Tatsächlich)
22. Mai 2026
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
22. Mai 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
19. Mai 2026
Zuletzt verifiziert
1. Mai 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- KYLX2026-064
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 .