Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Clinical Application Value of Deep Learning-Based "Opportunistic Screening" for Malignant Tumors on Routine Non-Contrast Chest-Abdomen-Pelvis CT

30. Juli 2026 aktualisiert von: Lian Yang
This study aims to develop and validate a deep learning-based opportunistic multi-cancer screening system using routine non-contrast chest-abdomen-pelvis CT examinations, including CHANCE-Breast, CHANCE-Liver, CHANCE-Kidney, and CHANCE-Bladder, for the early detection of breast, liver, kidney, and bladder cancers. In addition, the study will assess a human-AI collaborative framework to determine its potential for improving cancer detection and reducing missed diagnoses in clinical practice.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

100000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

  • China
    • Hubei
      • Wuhan, Hubei, China, 430000
        • Union Hospital，Tongji Medical College，Huazhong University of Science and Technology
        • Kontakt:

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patients with a confirmed diagnosis of the target malignancy who received treatment.

Beschreibung

Inclusion Criteria:

  1. Patients with a confirmed diagnosis of the target malignancy who received treatment at our institution;
  2. Diagnostic-quality CT images without substantial metal or motion artifacts and with complete anatomical coverage of the target organ (breast, liver, kidney, or bladder);
  3. Availability of complete pre-treatment non-contrast CT imaging data.

Exclusion Criteria:

  1. Non-diagnostic image quality;
  2. Absence of a definitive reference-standard diagnosis;
  3. Incomplete clinical or imaging data.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Positive Group / Malignant Cohort
Negative Control Group I / Benign Cohort
Negative Control Group II / Healthy Cohort

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Accuracy
Zeitfenster: 1.5 years
Proportion of correct classifications
1.5 years
Sensitivity
Zeitfenster: 1.5years
Proportion of true positive cases
1.5years
Specificity
Zeitfenster: 1.5years
Proportion of true negative cases
1.5years

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Delta Sensitivity (AI-assisted vs. unassisted)
Zeitfenster: 1.5years
Absolute difference in sensitivity between AI-assisted and unassisted human readings
1.5years
Delta Specificity (AI-assisted vs. unassisted)
Zeitfenster: 1.5years
Absolute difference in specificity between AI-assisted and unassisted human readings
1.5years
Delta Accuracy (AI-assisted vs. unassisted)
Zeitfenster: 1.5years
Absolute difference in accuracy between AI-assisted and unassisted human readings
1.5years

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Lian Yang

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)

1. Juli 2026

Primärer Abschluss (Geschätzt)

1. Juli 2028

Studienabschluss (Geschätzt)

1. Juli 2028

Studienanmeldedaten

Zuerst eingereicht

5. Juni 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

5. Juni 2026

Zuerst gepostet (Tatsächlich)

10. Juni 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

31. Juli 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

30. Juli 2026

Zuletzt verifiziert

1. Juni 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2026-0527

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 .

Abonnieren