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

AI-Based Risk Classification and Histopathological Subtype Prediction of Basal Cell Carcinoma Using Dermoscopic Images (BCC-AI)

29. Juni 2026 aktualisiert von: Tugce Nur Izbudak Kara, Istanbul Training and Research Hospital

Risk Classification and Prediction of Histopathological Subtypes in Basal Cell Carcinoma Using a CNN-Based Artificial Intelligence Model on Dermoscopic Images

This retrospective observational study aims to develop and evaluate a convolutional neural network (CNN)-based artificial intelligence model for risk classification and histopathological subtype prediction of basal cell carcinoma (BCC) using clinical and dermoscopic images. Histopathologically confirmed BCC cases from a dermatology archive will be included. The primary objective is to assess the diagnostic performance of the CNN model in classifying BCC as low-risk or high-risk. Secondary objectives include predicting histopathological subtypes and comparing the model's performance with that of dermatology physicians. Histopathological diagnosis will serve as the reference standard. All archived data will be anonymized before analysis.

Studienübersicht

Status

Rekrutierung

Bedingungen

Detaillierte Beschreibung

Basal cell carcinoma (BCC) is the most common skin malignancy and comprises histopathological subtypes with different biological behaviors, recurrence risks, and treatment implications. Accurate identification of high-risk and low-risk subtypes is important for clinical decision-making. Dermoscopy improves diagnostic accuracy in BCC; however, prediction of histopathological risk categories based solely on dermoscopic findings remains challenging.

This retrospective observational study will use archived clinical and dermoscopic images, histopathology reports, and clinical records of patients with histopathologically confirmed BCC. All data will be anonymized before analysis. Images containing identifiable patient information will be excluded.

A convolutional neural network (CNN)-based artificial intelligence model will be developed using clinical and dermoscopic images. Images will undergo preprocessing, including standardization of image size, normalization procedures, and removal of potentially identifiable information. The dataset will be divided into training, validation, and test sets while maintaining separation at the patient level to avoid data leakage.

The primary outcome is the diagnostic performance of the CNN model for classification of BCC into low-risk and high-risk histopathological groups. Secondary outcomes include prediction of histopathological subtypes and comparison of model performance with dermatologist assessments. Histopathological diagnosis will serve as the reference standard.

Model performance will be evaluated using accuracy, sensitivity, specificity, precision, recall, F1 score, and area under the receiver operating characteristic curve (ROC-AUC). Comparisons between the artificial intelligence model and physician assessments will be performed using appropriate statistical methods. Interobserver agreement may also be assessed when applicable.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

2500

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • Türkei (türkiye)
    • Istanbul
      • Istanbul, Istanbul, Türkei (türkiye), 34000
        • Rekrutierung
        • Istanbul Training and Research Hospital
        • Kontakt:
        • Kontakt:
        • Hauptermittler:
          • Ayse Esra Koku Aksu, MD
        • Unterermittler:
          • Tugce Nur Izbudak Kara, MD
        • Unterermittler:
          • Duygu Yamen, MD

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

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

The study population consists of patients with histopathologically confirmed basal cell carcinoma who have dermoscopic images of sufficient quality for artificial intelligence analysis and documented histopathological subtype information. Archived clinical and dermoscopic images collected at Istanbul Training and Research Hospital will be retrospectively analyzed.

Beschreibung

Inclusion Criteria:

  • Patients with histopathologically confirmed basal cell carcinoma.
  • Cases with a specified histopathological subtype.
  • Availability of dermoscopic images with sufficient image quality and resolution for artificial intelligence analysis.

Exclusion Criteria:

  • Cases without histopathological confirmation of basal cell carcinoma.
  • Cases with unspecified histopathological subtype.
  • Images with insufficient quality or resolution for artificial intelligence analysis.
  • Cases without available dermoscopic images.

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
Low-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed low-risk basal cell carcinoma, including nodular, superficial, pigmented, adenoid, solid, and nodulocystic subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and subtype prediction.
High-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed high-risk basal cell carcinoma, including infiltrative, micronodular, morpheaform, and basosquamous subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and histopathological subtype prediction.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Accuracy of artificial intelligence-based classification of basal cell carcinoma risk groups
Zeitfenster: Baseline
Diagnostic accuracy of the convolutional neural network model in distinguishing low-risk and high-risk basal cell carcinoma using dermoscopic images, compared with histopathological diagnosis as the reference standard.
Baseline

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of convolutional neural network for histopathological subtype prediction of basal cell carcinoma using dermoscopic images
Zeitfenster: baseline
Diagnostic performance of the convolutional neural network in predicting histopathological subtypes of basal cell carcinoma from dermoscopic images compared with histopathological diagnosis (reference standard). Diagnostic accuracy will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of artificial intelligence compared with dermatologists for basal cell carcinoma risk classification
Zeitfenster: baseline
Comparison of diagnostic performance between the artificial intelligence model and dermatologists in risk classification of basal cell carcinoma. Performance will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline

Mitarbeiter und Ermittler

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

Sponsor

Istanbul Training and Research Hospital

Ermittler

  • Hauptermittler: Ayse Esra Koku Aksu, MD, Istanbul Training and Research 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 (Tatsächlich)

22. Mai 2026

Primärer Abschluss (Geschätzt)

22. Mai 2027

Studienabschluss (Geschätzt)

22. Mai 2027

Studienanmeldedaten

Zuerst eingereicht

19. Juni 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

29. Juni 2026

Zuerst gepostet (Tatsächlich)

30. Juni 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

30. Juni 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

29. Juni 2026

Zuletzt verifiziert

1. Juni 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • SBU-IEAH-DERM-BCCAI-163
  • IEAH-EC-163 (Andere Kennung: Istanbul Training and Research Hospital Non-Interventional Clinical Research Ethics Committee)

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

JA

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 .

Klinische Studien zur Basalzellkarzinom

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Colombia

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren