Monimuotoinen, luokittainen tekoälyjärjestelmä haimakystisten muutosten diagnosoimiseksi endoskooppisen ultraäänitutkimuksen perusteella
torstai 23. huhtikuuta 2026 päivittänyt: Qilu Hospital of Shandong University
Tekoälyjärjestelmä monimuotoisten, moniluokkaisten haimakystisten muutosten diagnosoimiseksi endoskooppisen ultraäänitutkimuksen perusteella
Tämän tutkimuksen tavoitteena on kehittää ja validoida keinotekoista älyä hyödyntävä järjestelmä nimeltä iEUS-PCL (älykäs endoskooppinen ultraäänijärjestelmä - haimakystiset muutokset) haimakystisten muutosten (PCL) havaitsemiseksi sekä monimuotoiseen, luokitettuun diagnosointiin endoskooppisen ultraäänitutkimuksen (EUS) aikana.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Yksityiskohtainen kuvaus
Tämä monikeskuksellinen, prospektiivinen kohorttitutkimus pyrkii kehittämään ja validoimaan multimodalisen tekoälyjärjestelmän nimeltä iEUS-PCL PCL:n havaitsemiseksi ja erotusdiagnostiikkaan.
Malli kehitettiin retrospektiivisesti kerättyjen EUS-kuvien, EUS-ominaisuuksien, kliinisten tietojen ja radiologisten kuvantamisominaisuuksien perusteella potilailta, joille tehtiin EUS-tutkimus.
IEUS-PCL:n diagnostista suorituskykyä arvioidaan prospektiivisesti reaaliaikaisissa EUS-videoissa ja verrataan endosonografistien suorituskykyyn.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
176
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Zhen Li
- Puhelinnumero: 86+18560086106
- Sähköposti: qilulizhen@sdu.edu.cn
Opiskelupaikat
-
-
Shandong
-
Jinan, Shandong, Kiina, 250012
- Qilu Hospital of Shandong University
-
Ottaa yhteyttä:
- Zhen Li, doctor
- Puhelinnumero: 86+18560086106
- Sähköposti: qilulizhen@sdu.edu.cn
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Aikuispotilaat, joilla on epäiltyjä haimasyöpymuutoksia ja jotka ovat EUS-tutkimuksen alaisia.
Kuvaus
Inkluusio-kriteerit:
- 1. Potilaat, jotka ovat vähintään 18-vuotiaita, joille on suunniteltu EUS-tutkimus epäillystä haimataskuleesioista johtuen kliinisistä oireista, sairaushistoriasta, laboratoriotutkimuksista tai radiologisista tutkimuksista, ja jotka suostuvat osallistumaan tutkimukseen ja allekirjoittavat vapaaehtoisesti tietoon perustuvan suostumuksen.
2. Potilaat, joilla ei ole aiempaa hoitoa haimaleesioista.
Poissulkemiskriteerit:
- 1. Potilaat, joilla on absoluuttisia kontraindikaatioita EUS-tutkimukselle. 2. Raskaus tai imetys. 3. Korjaamaton verenvuototauti (PTT>50 sekuntia tai INR>1.5) ja/tai korjaamaton trombosytopenia (verihiutalemäärä<50×109/L). 4. Yläruoansulatuskanavan tukos. 5. Potilaat, jotka ovat käyneet läpi kirurgista hoitoa tai haiman anatomisia muutoksia muiden rintakehän ja/tai vatsaontelon elinten leesioiden vuoksi, sekä potilaat, joilla on synnynnäisiä anatomisia poikkeavuuksia.
6. Potilaat, joille on asetettu sappitie/haimatie-stentti. 7. Potilaat, jotka kieltäytyvät allekirjoittamasta tietoon perustunutta suostumusta.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Potilaat, joille tehdään EUS
Potilaat, joiden ikä on ≥18 vuotta ja joille on suunniteltu EUS-tutkimus epäiltyjen haiman kystisten vaurioiden vuoksi kliinisten oireiden, sairaushistorian, laboratoriotutkimusten tai radiologisten tutkimusten perusteella, ovat kelpoisia, jos he suostuvat osallistumaan tutkimukseen ja allekirjoittavat vapaaehtoisesti tietoisen suostumuksen.
|
iEUS-PCL tunnistaa automaattisesti haimasyystisiä muutoksia ja integroi potilaiden EUS-kuvat, EUS-ominaisuudet, kliinisen datan ja radiologiset kuvantamisominaisuudet kolmen luokittelutehtävän suorittamiseksi:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
iEUS-PCL:n tarkkuus haimasyöppytulehduksissa
Aikaikkuna: Toimenpiteen aikana
|
Tutkimuksen ensisijainen tavoite on arvioida iEUS-PCL:n tarkkuutta haimatason muutosten tunnistamisessa (hyvänlaatuiset/pahanlaatuiset; limaerittyvät/ei-limaerittyvät; 4-luokittelua).
|
Toimenpiteen aikana
|
|
iEUS-PCL:n herkkyys haimasyövän kystisille muutoksille
Aikaikkuna: Toimenpiteen aikana
|
Tutkimuksen ensisijainen tavoite on arvioida iEUS-PCL:n herkkyyttä tunnistaessa haimataskuista muutoksia (hyvänlaatuiset/pahanlaatuiset; limaerittyvät/ei-limaerittyvät; 4-luokka).
|
Toimenpiteen aikana
|
|
iEUS-PCL:n spesifisyys haimasyöpärakkuloille
Aikaikkuna: Tutkimuksen aikana
|
Tutkimuksen ensisijainen tavoite on arvioida iEUS-PCL:n erityispiirteitä haiman kystisten muutosten tunnistamisessa (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokiteltu).
|
Tutkimuksen aikana
|
|
iEUS-PCL:n positiivinen ennustearvo haimasyövän kystisille muutoksille
Aikaikkuna: Tutkimuksen aikana
|
Tutkimuksen ensisijainen tavoite on arvioida iEUS-PCL:n positiivista ennusteellista arvoa haimataskumuutosten tunnistamisessa (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokiteltu).
|
Tutkimuksen aikana
|
|
iEUS-PCL:n negatiivinen ennustearvo haimasyystisille muutoksille
Aikaikkuna: Toimenpiteen aikana
|
Tutkimuksen ensisijainen tavoite on arvioida iEUS-PCL:n negatiivista ennustearvoa haimataskurakkuloiden tunnistamisessa (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokkainen).
|
Toimenpiteen aikana
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
iEUS-PCL:n ja endosonografioiden tarkkuuden vertailu
Aikaikkuna: Proseduurin aikana
|
Tutkimuksen toissijainen tavoite on verrata iEUS-PCL:n ja eri tasoisen endosonografian tarkkuutta haimataskuisten muodostumien tunnistamisessa (hyvänlaatuiset/pahanlaatuiset; limaiset/ei-limaiset; 4-luokitukseen).
|
Proseduurin aikana
|
|
iEUS-PCL:n ja endosonografioiden herkkyyden vertailu
Aikaikkuna: Tutkimuksen aikana
|
Tutkimuksen toissijainen tavoite on verrata iEUS-PCL:n ja eri tasoisen endosonografian herkkyyttä havaittaessa haimatilkkurakennuksia (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokiteltu).
|
Tutkimuksen aikana
|
|
iEUS-PCL:n ja endosonografien spesifisyyden vertailu
Aikaikkuna: Toimenpiteen aikana
|
Tutkimuksen toissijainen tavoite on verrata iEUS-PCL:n ja eritasoisten endosonografistien erottelutarkkuutta havaittaessa haimatasonesteisiin liittyviä muutoksia (hyvänlaatuiset/pahanlaatuiset; limaiset/ei-limaiset; 4-luokiteltavat).
|
Toimenpiteen aikana
|
|
Vertailu positiivisen ennustearvon välillä iEUS-PCL:n ja endosonografian erikoistuneiden lääkärien välillä
Aikaikkuna: Toimenpiteen aikana
|
Tutkimuksen toissijainen tavoite on vertailla positiivista ennustearvoa iEUS-PCL:n ja eri tasoisilla endosonografian asiantuntijoilla havaittaessa haimataskumuutoksia (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokkainen).
|
Toimenpiteen aikana
|
|
Vertaile iEUS-PCL:n ja endosonografioiden negatiivisen ennustearvon välillä
Aikaikkuna: Proseduurin aikana
|
Tutkimuksen toissijainen tavoite on verrata negatiivista ennustearvoa iEUS-PCL:n ja eri tasoisilla endosonografian asiantuntijoilla tunnistettaessa haimatason kystisiä muutoksia (hyvänlaatuiset/pahanlaatuiset; limaeritteiset/ei-limaeritteiset; 4-luokitukseen).
|
Proseduurin aikana
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Wu HL, Yao LW, Shi HY, Wu LL, Li X, Zhang CX, Chen BR, Zhang J, Tan W, Cui N, Zhou W, Zhang JX, Xiao B, Gong RR, Ding Z, Yu HG. Validation of a real-time biliopancreatic endoscopic ultrasonography analytical device in China: a prospective, single-centre, randomised, controlled trial. Lancet Digit Health. 2023 Nov;5(11):e812-e820. doi: 10.1016/S2589-7500(23)00160-7. Epub 2023 Sep 27.
- Tian S, Shi H, Chen W, Li S, Han C, Du F, Wang W, Wen H, Lei Y, Deng L, Tang J, Zhang J, Lin J, Shi L, Ning B, Zhao K, Miao J, Wang G, Hou H, Huang X, Kong W, Jin X, Ding Z, Lin R. Artificial intelligence-based diagnosis of standard endoscopic ultrasonography scanning sites in the biliopancreatic system: a multicenter retrospective study. Int J Surg. 2024 Mar 1;110(3):1637-1644. doi: 10.1097/JS9.0000000000000995.
- Lipkova J, Chen RJ, Chen B, Lu MY, Barbieri M, Shao D, Vaidya AJ, Chen C, Zhuang L, Williamson DFK, Shaban M, Chen TY, Mahmood F. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 2022 Oct 10;40(10):1095-1110. doi: 10.1016/j.ccell.2022.09.012.
- Schulz D, Heilmaier M, Phillip V, Treiber M, Mayr U, Lahmer T, Mueller J, Demir IE, Friess H, Reichert M, Schmid RM, Abdelhafez M. Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning. Endoscopy. 2023 May;55(5):415-422. doi: 10.1055/a-1971-1274. Epub 2022 Nov 2.
- Kuwahara T, Hara K, Mizuno N, Okuno N, Matsumoto S, Obata M, Kurita Y, Koda H, Toriyama K, Onishi S, Ishihara M, Tanaka T, Tajika M, Niwa Y. Usefulness of Deep Learning Analysis for the Diagnosis of Malignancy in Intraductal Papillary Mucinous Neoplasms of the Pancreas. Clin Transl Gastroenterol. 2019 May 22;10(5):1-8. doi: 10.14309/ctg.0000000000000045.
- Nguon LS, Seo K, Lim JH, Song TJ, Cho SH, Park JS, Park S. Deep Learning-Based Differentiation between Mucinous Cystic Neoplasm and Serous Cystic Neoplasm in the Pancreas Using Endoscopic Ultrasonography. Diagnostics (Basel). 2021 Jun 8;11(6):1052. doi: 10.3390/diagnostics11061052.
- Vilas-Boas F, Ribeiro T, Afonso J, Cardoso H, Lopes S, Moutinho-Ribeiro P, Ferreira J, Mascarenhas-Saraiva M, Macedo G. Deep Learning for Automatic Differentiation of Mucinous versus Non-Mucinous Pancreatic Cystic Lesions: A Pilot Study. Diagnostics (Basel). 2022 Aug 24;12(9):2041. doi: 10.3390/diagnostics12092041.
- Gheorghiu MI, Seicean A, Pojoga C, Hagiu C, Seicean R, Sparchez Z. Contrast-enhanced guided endoscopic ultrasound procedures. World J Gastroenterol. 2024 May 7;30(17):2311-2320. doi: 10.3748/wjg.v30.i17.2311.
- Huang W, Xu Y, Li Z, Li J, Chen Q, Huang Q, Wu Y, Chen H. Enhancing noninvasive pancreatic cystic neoplasm diagnosis with multimodal machine learning. Sci Rep. 2025 May 12;15(1):16398. doi: 10.1038/s41598-025-01502-4.
- Hwang J, Kim YK, Min JH, Jeong WK, Hong SS, Kim HJ. Comparison between MRI with MR cholangiopancreatography and endoscopic ultrasonography for differentiating malignant from benign mucinous neoplasms of the pancreas. Eur Radiol. 2018 Jan;28(1):179-187. doi: 10.1007/s00330-017-4926-5. Epub 2017 Aug 4.
- Jiang J, Chao WL, Cao T, Culp S, Napoleon B, El-Dika S, Machicado JD, Pannala R, Mok S, Luthra AK, Akshintala VS, Muniraj T, Krishna SG. Improving Pancreatic Cyst Management: Artificial Intelligence-Powered Prediction of Advanced Neoplasms through Endoscopic Ultrasound-Guided Confocal Endomicroscopy. Biomimetics (Basel). 2023 Oct 19;8(6):496. doi: 10.3390/biomimetics8060496.
- Oh S, Kim YJ, Park YT, Kim KG. Automatic Pancreatic Cyst Lesion Segmentation on EUS Images Using a Deep-Learning Approach. Sensors (Basel). 2021 Dec 30;22(1):245. doi: 10.3390/s22010245.
- Rangwani S, Ardeshna DR, Rodgers B, Melnychuk J, Turner R, Culp S, Chao WL, Krishna SG. Application of Artificial Intelligence in the Management of Pancreatic Cystic Lesions. Biomimetics (Basel). 2022 Jun 14;7(2):79. doi: 10.3390/biomimetics7020079.
- European Study Group on Cystic Tumours of the Pancreas. European evidence-based guidelines on pancreatic cystic neoplasms. Gut. 2018 May;67(5):789-804. doi: 10.1136/gutjnl-2018-316027. Epub 2018 Mar 24.
- Elta GH, Enestvedt BK, Sauer BG, Lennon AM. ACG Clinical Guideline: Diagnosis and Management of Pancreatic Cysts. Am J Gastroenterol. 2018 Apr;113(4):464-479. doi: 10.1038/ajg.2018.14. Epub 2018 Feb 27.
- Vilela A, Quingalahua E, Vargas A, Hawa F, Shannon C, Carpenter ES, Shi J, Krishna SG, Lee UJ, Chalhoub JM, Machicado JD. Global Prevalence of Pancreatic Cystic Lesions in the General Population on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis. Clin Gastroenterol Hepatol. 2024 Sep;22(9):1798-1809.e6. doi: 10.1016/j.cgh.2024.02.018. Epub 2024 Feb 28.
- Kloth C, Haggenmuller B, Beck A, Wagner M, Kornmann M, Steinacker JP, Steinacker-Stanescu N, Vogele D, Beer M, Juchems MS, Schmidt SA. Diagnostic, Structured Classification and Therapeutic Approach in Cystic Pancreatic Lesions: Systematic Findings with Regard to the European Guidelines. Diagnostics (Basel). 2023 Jan 26;13(3):454. doi: 10.3390/diagnostics13030454.
- Tian G, Xu D, He Y, Chai W, Deng Z, Cheng C, Jin X, Wei G, Zhao Q, Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography. Front Oncol. 2022 Oct 7;12:973652. doi: 10.3389/fonc.2022.973652. eCollection 2022.
- Qin X, Ran T, Chen Y, Zhang Y, Wang D, Zhou C, Zou D. Artificial Intelligence in Endoscopic Ultrasonography-Guided Fine-Needle Aspiration/Biopsy (EUS-FNA/B) for Solid Pancreatic Lesions: Opportunities and Challenges. Diagnostics (Basel). 2023 Sep 26;13(19):3054. doi: 10.3390/diagnostics13193054.
- Goyal H, Sherazi SAA, Gupta S, Perisetti A, Achebe I, Ali A, Tharian B, Thosani N, Sharma NR. Application of artificial intelligence in diagnosis of pancreatic malignancies by endoscopic ultrasound: a systemic review. Ther Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Maanantai 20. huhtikuuta 2026
Ensisijainen valmistuminen (Arvioitu)
Perjantai 30. kesäkuuta 2028
Opintojen valmistuminen (Arvioitu)
Perjantai 30. kesäkuuta 2028
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Keskiviikko 15. huhtikuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 15. huhtikuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Tiistai 21. huhtikuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 29. huhtikuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Torstai 23. huhtikuuta 2026
Viimeksi vahvistettu
Keskiviikko 1. huhtikuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- 2026-SDU-QILU-2
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .