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

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

torstai 30. heinäkuuta 2026 päivittänyt: 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.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Kasvain

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

100000

Yhteystiedot ja paikat

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

Opiskeluyhteys

Nimi: Lian Yang
Puhelinnumero: 18986273791
Sähköposti: yanglian@hust.edu.cn

Opiskelupaikat

Kiina
- Hubei
  - Wuhan, Hubei, Kiina, 430000
    - Union Hospital，Tongji Medical College，Huazhong University of Science and Technology
    - Ottaa yhteyttä:
      
      Lian Yang
      
      Puhelinnumero: 18986273791
      
      Sähköposti: yanglian@hust.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

Lapsi
Aikuinen
Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

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

Kuvaus

Inclusion Criteria:

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

Exclusion Criteria:

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

Opintosuunnitelma

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

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Ryhmien/kohorttien lukumäärä

Kohortit ja interventiot

Ryhmä/Kohortti
Positive Group / Malignant Cohort
Negative Control Group I / Benign Cohort
Negative Control Group II / Healthy Cohort

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Accuracy Aikaikkuna: 1.5 years	Proportion of correct classifications	1.5 years
Sensitivity Aikaikkuna: 1.5years	Proportion of true positive cases	1.5years
Specificity Aikaikkuna: 1.5years	Proportion of true negative cases	1.5years

Toissijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Delta Sensitivity (AI-assisted vs. unassisted) Aikaikkuna: 1.5years	Absolute difference in sensitivity between AI-assisted and unassisted human readings	1.5years
Delta Specificity (AI-assisted vs. unassisted) Aikaikkuna: 1.5years	Absolute difference in specificity between AI-assisted and unassisted human readings	1.5years
Delta Accuracy (AI-assisted vs. unassisted) Aikaikkuna: 1.5years	Absolute difference in accuracy between AI-assisted and unassisted human readings	1.5years

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Lian Yang

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)

Keskiviikko 1. heinäkuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Lauantai 1. heinäkuuta 2028

Opintojen valmistuminen (Arvioitu)

Lauantai 1. heinäkuuta 2028

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 5. kesäkuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit