Interventio AI-ihmisen yhteistyö maksakasvaimen diagnoosiin
AI-ihmisen yhteistyödiagnoosi maksakasvaimista käyttämällä DCE-CT: tä
Äskettäiset keinotekoisen älykkyyden (AI) edistykset, erityisesti syvän oppimisen tekniikka, ovat mullistaneet lääketieteellisen kuvantamisanalyysin. AI -järjestelmät ovat osoittaneet diagnostisia ominaisuuksia, jotka vastaavat tai ylittävät perinteiset menetelmät ja ihmisen asiantuntemus tietyissä radiologisissa sovelluksissa. Vaikka maksakeskeiset AI-diagnostiikkajärjestelmät ovat osoittaneet lupaavia tuloksia monikeskuksen validointiin ja saavuttaen tarkkuustasot, jotka ovat verrattavissa vanhempiin radiologeihin, nykyisillä AI-malleilla on kriittisiä haasteita reaalimaailman toteutuksessa. Nämä haasteet johtuvat pääasiassa rajoitetusta validoinnista monien potilaspopulaatioiden ja vaihtelevien kuvantamisolosuhteiden välillä, mikä herättää kysymyksiä niiden laajemmasta kliinisestä sovellettavuudesta.
Tämän tutkimuksen tarkoituksena on tutkia AI-ihmisen yhteistyötä maksakasvaimen diagnoosissa reaaliaikaisella analyysillä dynaamisesta kontrastin parantuneesta CT (DCE-CT) -kuvauksesta. Validointiprotokolla toteuttaa rinnakkain diagnostiset työnkulkut: Radiologit suorittavat riippumattomia arviointeja tavanomaisten kliinisten menettelyjen jälkeen, kun taas AI -järjestelmä analysoi samanaikaisesti identtisen kuvantamistiedot, luomalla mahdollisuuksia synergistiseen tulkintaan. Kun AI: n ja radiologin tulkinnan välillä syntyy diagnostisia eroja, tapaukset suoritetaan asiantuntijapaneelin tarkistaminen lopullisen diagnostisen määrityksen saavuttamiseksi. Tämä yhteistyölähestymistapa mahdollistaa sekä riippumattoman että yhdistetyn diagnostisen suorituskyvyn arvioinnin, ihmisen asiantuntemuksen ja AI-ominaisuuksien välisen täydentävien vahvuuksien tunnistamisen, kliinisten esitysten laajemman spektrin ja systemaattisen dokumentoinnin optimaalisten AI-ihmisen integraatiostrategioiden välillä. Tutkimus käsittelee siten aiempia validointirajoituksia samalla kun luodaan puitteet tehokkaaseen AI-ihmisen yhteistyöhön kliinisissä diagnostisissa työnkulkuissa.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tämän tutkimuksen tarkoituksena on tutkia AI-ihmisen yhteistyötä maksakasvaimen diagnoosissa reaaliaikaisella analyysillä dynaamisesta kontrastin parantuneesta CT (DCE-CT) -kuvauksesta. Validointiprotokolla ylläpitää tavanomaista radiologisen tulkinnan työnkulkua toteuttamalla rinnakkaisia diagnostiikkavirtoja: radiologit suorittavat riippumattomia arviointeja tavanomaisten kliinisten menettelyjen jälkeen, kun taas AI -järjestelmä analysoi samanaikaisesti identtisen kuvantamistiedon luomalla mahdollisuuksia synergistiseen tulkintaan. Kun AI: n ja radiologin tulkinnan välillä syntyy diagnostisia eroja, tapaukset laajennetaan asiantuntijapaneelien tarkistamiseen lopullisen diagnostisen määrityksen saavuttamiseksi.
Tämä yhteistyölähestymistapa mahdollistaa kattavan arvioinnin useiden ulottuvuuksien kautta: riippumaton ja yhdistetty diagnostisen suorituskyvyn arviointi, asiantuntija-konsensuskatsaus haasteisiin tapauksiin (erityisesti arvokas epäilyttäville tai määrittelemättömille vaurioille), täydentävien ihmis-AI-vahvuuksien tunnistaminen, monipuolisten kliinisten esitysten validointi ja optimaalisten integraatiostrategioiden systemaattinen dokumentointi. Tutkimus käsittelee siten aiempia validointirajoituksia samalla kun luodaan puitteet tehokkaaseen AI-ihmisen yhteistyöhön kliinisissä diagnostisissa työnkulkuissa.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Liaoning
-
Shenyang, Liaoning, Kiina, 110004
- Shengjing Hospital of China Medical University
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Ikäväli 18–75 -vuotias
- Tehtiin dynaaminen kontrastiparannettu vatsan CT-tutkimus maksan peitolla
- Täydellinen kuvantamistiedot täyttävät AI -järjestelmän analysointivaatimukset
Poissulkemiskriteerit:
- Suurin maksan kirurginen historia (esim. Maksansiirto, koleysteektomia, whipple -toimenpide.)
- Maksan olosuhteet traumalla tai askilla.
- Huono kuvanlaatu tai vakavat meluesineet.
- Puuttuvat vaadittavat kuvantamisfaasit (ei-kontrasti-, valtimo- ja laskimovaihe).
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Ei käytössä
- Inventiomalli: Yksittäinen ryhmätehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: AI-ihmisen yhteistyö CE-CT-diagnoosissa maksavaurioihin
Prospektiivisessa analyysivaiheessa potilaille tehdään rutiininomainen multiphasic-kontrastin parantunut tietokonetomografia (CE-CT) kuvantaminen.
Skannaukset arvioidaan kahdella rinnakkaisella reitillä: tavanomainen radiologin tulkinta (ilman AI -tuloa) ja riippumaton AI -analyysi.
Kun diagnostisia eroja esiintyy, vanhempi radiologi tai monitieteinen asiantuntijapaneeli tarkistaa tapauksen ja tarjoaa lopullisen diagnoosin.
|
Järjestelmä käsittelee automaattisesti kaikki tukikelpoiset saman päivän skannaukset ja tuottaa tuloksia tarkistettavaksi seuraavana päivänä.
Tehokkaan AI-ihmisen yhteistyön ylläpitämiseksi säilyttäen tavanomaisen kliinisen työnkulun säilyttäen tavanomainen radiologinen tulkintaprosessi pysyy ennallaan (ensilinjan radiologit toimittavat alkuperäisiä raportteja, joita seuraa vanhempien radiologien katsaus).
Omistettu vanhempi radiologi arvioi sitten AI -havaintojen ja ensisijaisen radiologisen raportin väliset ristiriidat.
Monimutkaisissa tapauksissa tarkistusprosessi kärjistyy konsensusarviointipaneeliin (ts. Ennalta määritettyjä vanhempia radiologeja, monitieteisiä tiimiä (MDT)).
MDT voi suositella kliinisiä toimenpiteitä, mukaan lukien seuranta (esim. Lisäkuvaustutkimukset, aktiivinen valvonta), kirurgiset toimenpiteet tai adjuvanttihoidon mukautukset (hoito-ohjelmien aloittaminen tai modifiointi).
Kaikki ristiriitaiset tapaukset ja niiden tulokset on dokumentoitu systemaattisesti pitkittäismaitoksen ja seurantaanalyysin varalta.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälyjärjestelmän diagnostiikan tarkkuus pahanlaatuisen kasvaimen diagnosoinnissa
Aikaikkuna: Enintään 90 päivää
|
Mittaa potilastason diagnostista tarkkuutta tekoälyjärjestelmän kyvystä erotella pahanlaatuiset ja hyvänlaatuiset muutokset.
Ensisijainen mittari on Receiver Operating Characteristic -käyrän alla oleva pinta-ala (AUC).
Ensisijainen analyysi testaa yksisuuntaista ylivoimaisuushypoteesia H1: AUC > 0,90 vasten H0: AUC <= 0,90.
Koe katsotaan onnistuneeksi, jos AUC:n 95 %:n luottamusvälin (CI) alaraja on suurempi kuin 0,90.
|
Enintään 90 päivää
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Sekundaarinen diagnoosimenestys
Aikaikkuna: Enintään 90 päivää
|
Mittaa potilastason diagnostiikan suorituskyvyn tekoälyjärjestelmälle pahanlaatuisen ja hyvänlaatuisen luokittelun osalta.
Mittareihin kuuluvat herkkyys, spesifisyys, positiivinen ennustearvo (PPV) ja negatiivinen ennustearvo (NPV).
Nämä lasketaan jatkuvasta todennäköisyyspisteestä käyttämällä kiinteää käyttöpistettä ennen prospektiivista analyysiä.
|
Enintään 90 päivää
|
|
Lesioiden seulontatehokkuus
Aikaikkuna: Enintään 90 päivää
|
Mittaa tekoälyjärjestelmän kykyä seuloa potilastasolla erotella potilaat, joilla on minkä tahansa muutoksen, potilaista, joilla ei ole muutoksia.
Tämä on binäärinen luokittelutehtävä (AUC), jossa verrataan muutospotilasta (pahanlaatuinen tai hyvänlaatuinen) ei-muutospotilaaseen (normaali maksa tai vain diffuusi sairaus).
|
Enintään 90 päivää
|
|
Havaitsemisen erimielisyys
Aikaikkuna: Jopa 90 päivää
|
Mittaa kone-ihmisyhteistyötyönkulun tunnistamien FLL:ien määrää, jotka jäivät alkuperäisen radiologin raportin huomaamatta.
Huomaamatta jäänyt leesio määritellään tapahtumaksi, joka täyttää kaikki kolme kriteeriä: (1) konejärjestelmän tunnistama; (2) ei kuvattu alkuperäisessä radiologisessa raportissa; (3) vanhemman radiologin/MDT:n uudelleentarkastuksen vahvistama todelliseksi leesioksi.
|
Jopa 90 päivää
|
|
Tarkistettu radiologinen tutkimuslausunto
Aikaikkuna: Enintään 90 päivää
|
Mittaa lääketieteelliseen kuvantamiseen liittyvien raporttien lopullisiin versioihin annettujen virallisten lisäysten määrän.
Korjattu raportti määritellään viralliseksi lisäykseksi, joka nimenomaisesti korjaa diagnoosin tai lisää aiemmin huomaamatta jääneen löydöksen perustuen tekoälyn ja ihmisen yhteistyöhön perustuvaan tarkasteluun.
|
Enintään 90 päivää
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Yu Shi, MD PhD, Shengjing Hospital
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Cao K, Xia Y, Yao J, Han X, Lambert L, Zhang T, Tang W, Jin G, Jiang H, Fang X, Nogues I, Li X, Guo W, Wang Y, Fang W, Qiu M, Hou Y, Kovarnik T, Vocka M, Lu Y, Chen Y, Chen X, Liu Z, Zhou J, Xie C, Zhang R, Lu H, Hager GD, Yuille AL, Lu L, Shao C, Shi Y, Zhang Q, Liang T, Zhang L, Lu J. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med. 2023 Dec;29(12):3033-3043. doi: 10.1038/s41591-023-02640-w. Epub 2023 Nov 20.
- Ding W, Meng Y, Ma J, Pang C, Wu J, Tian J, Yu J, Liang P, Wang K. Contrast-enhanced ultrasound-based AI model for multi-classification of focal liver lesions. J Hepatol. 2025 Aug;83(2):426-439. doi: 10.1016/j.jhep.2025.01.011. Epub 2025 Jan 21.
- Ying H, Liu X, Zhang M, Ren Y, Zhen S, Wang X, Liu B, Hu P, Duan L, Cai M, Jiang M, Cheng X, Gong X, Jiang H, Jiang J, Zheng J, Zhu K, Zhou W, Lu B, Zhou H, Shen Y, Du J, Ying M, Hong Q, Mo J, Li J, Ye G, Zhang S, Hu H, Sun J, Liu H, Li Y, Xu X, Bai H, Wang S, Cheng X, Xu X, Jiao L, Yu R, Lau WY, Yu Y, Cai X. A multicenter clinical AI system study for detection and diagnosis of focal liver lesions. Nat Commun. 2024 Feb 7;15(1):1131. doi: 10.1038/s41467-024-45325-9.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Arvioitu)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
- Neoplasmat sivustoittain
- Neoplasmat
- Patologiset tilat, anatomiset
- Neoplasmat histologisen tyypin mukaan
- Ruoansulatuskanavan kasvaimet
- Ruoansulatuskanavan sairaudet
- Maksasairaudet
- Kasvaimet, rauhas- ja epiteelikasvaimet
- Adenokarsinooma
- Maksan kasvaimet
- Karsinooma
- Patologiset tilat, merkit ja oireet
- Karsinooma, hepatosellulaarinen
- Kolangiokarsinooma
- Kystat
- Maksakirroosi, perinnöllinen, keuhkoverenpainetauti
- Fokaalinen nodulaarinen hyperplasia
Muut tutkimustunnusnumerot
- SH-CMU-FLL-Intervention
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .