Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Multimodal Imaging and Digital Pathology for Prostate Cancer Prediction

maanantai 25. toukokuuta 2026 päivittänyt: Fubo Wang, Guangxi Medical University

A Multicenter Study of a Deep Learning Model Based on Spatial Registration of Multimodal Imaging and Digital Pathology for Predicting Clinically Significant Prostate Cancer

This is a multicenter observational study. A deep learning model integrated with multimodal imaging and digital pathology spatial registration is built based on preoperative multiparametric magnetic resonance imaging, transrectal ultrasound and postoperative digital pathological whole slide images. The study is designed to achieve accurate prediction of clinically significant prostate cancer and non-invasive risk stratification. Unnecessary prostate biopsy and overdiagnosis can be reduced to support the optimization of clinical diagnosis and treatment strategies.

Tutkimuksen yleiskatsaus

Yksityiskohtainen kuvaus

This prospective and retrospective multicenter observational study enrolls patients with suspected prostate cancer who receive standardized preoperative multiparametric magnetic resonance imaging, transrectal ultrasound examination, followed by prostate biopsy or radical prostatectomy. Complete clinical data including age, BMI, prostate specific antigen indicators, PI-RADS v2.1 scores, Gleason score and ISUP grading are collected from all eligible participants.

Biomechanically constrained non-rigid spatial registration technique is applied to achieve precise alignment between preoperative multimodal images and postoperative digital pathological whole slide images using high-quality multicenter datasets. A transformer-based multimodal deep learning fusion model is developed to analyze correlations between macroscopic imaging features and microscopic pathological heterogeneity, thereby establishing an interpretable artificial intelligence framework for clinically significant prostate cancer prediction.

Comprehensive model validation is conducted via internal cross-validation, external multicenter independent verification and international public datasets. Decision curve analysis and clinical impact curve are applied to assess clinical applicability. The model serves as an intelligent auxiliary tool to refine biopsy strategies, avoid redundant puncture and excessive treatment, and facilitate early precise diagnosis and risk stratification of prostate cancer.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

3000

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Opiskelupaikat

    • Guangxi
      • Liuzhou, Guangxi, Kiina, 545006
        • Rekrytointi
        • Liuzhou People's Hospital Affiliated to Guangxi Medical University
        • Ottaa yhteyttä:

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

This is a prospective and retrospective multicenter cohort study. The study population consists of consecutive male subjects aged 40-90 years who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy, with complete standard-of-care preoperative multiparametric MRI (mpMRI), transrectal ultrasound (TRUS) images, and corresponding pathological diagnosis results. The collected data include:

  1. Preoperative mpMRI and TRUS images
  2. Digital whole-slide images of prostate biopsy specimens
  3. Digital whole-slide images of radical prostatectomy specimens (if performed) The prospective cohort will include newly enrolled subjects who provide written informed consent, while the retrospective cohort will include historical subjects with complete imaging, pathology slide, and clinical data from participating centers.

Kuvaus

Inclusion Criteria:

  1. Subjects who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy.
  2. Subjects who have completed standard-of-care preoperative multiparametric MRI (mpMRI) and transrectal ultrasound (TRUS) examinations.
  3. Subjects with complete pathological diagnosis results available.
  4. Age between 40 and 90 years.
  5. Able and willing to provide written informed consent (for prospective cohort participants only).

Exclusion Criteria:

  1. Prior history of pelvic radiation therapy or radical prostatectomy.
  2. Incomplete or poor-quality mpMRI or TRUS images (e.g., motion artifacts, insufficient sequences).
  3. Concurrent other primary malignant tumors.
  4. Severe systemic diseases that may affect the evaluation of the prostate.
  5. Subjects with incomplete clinical or pathological data.
  6. Contraindications to MRI examination (e.g., incompatible metallic implants, severe claustrophobia).

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Area Under the Receiver Operating Characteristic Curve (AUC) for predicting clinically significant prostate cancer (csPCa)
Aikaikkuna: Baseline (at the time of imaging/pathology data collection)
The diagnostic performance of the multimodal deep learning model in predicting clinically significant prostate cancer using preoperative imaging data from this prospective and retrospective multicenter cohort. The AUC will be calculated to evaluate the model's discriminative ability.
Baseline (at the time of imaging/pathology data collection)

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Tutkijat

  • Päätutkija: Fubo Wang, MD, Guangxi Medical University

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

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 (Todellinen)

Perjantai 30. toukokuuta 2025

Ensisijainen valmistuminen (Arvioitu)

Sunnuntai 30. kesäkuuta 2030

Opintojen valmistuminen (Arvioitu)

Tiistai 31. joulukuuta 2030

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 13. toukokuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 25. toukokuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Perjantai 29. toukokuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Perjantai 29. toukokuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 25. toukokuuta 2026

Viimeksi vahvistettu

Perjantai 1. toukokuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

IPD-suunnitelman kuvaus

This study does not have a plan to share individual participant data due to institutional and ethical restrictions.

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 .

Tilaa