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

Federated Learning in Renal Tumor Model

keskiviikko 28. lokakuuta 2026 päivittänyt: Jiwen Cheng, First Affiliated Hospital of Guangxi Medical University

Research on the Application of Federated Learning in the Construction of Deep Learning Models for Renal Tumor Imaging

This is a multicenter, retrospective and prospective diagnostic clinical trial evaluating the effectiveness and safety of CascadeDiagnose Renal Tumor CT, an AI-assisted detection system for renal tumors based on contrast-enhanced multiphase CT imaging. The system employs a cascaded deep learning architecture to perform fully automated analysis of multiphase CT images, covering image quality review, lesion detection and segmentation, benign-malignant differentiation, and risk stratification, with traceable evidence chains and interpretable outputs. The study is conducted across six tertiary hospitals in Guangxi, China, utilizing a distributed "data stays on-site, computation moves across centers" federated learning network, which ensures that original patient data remain within each hospital while encrypted intermediate features are shared for cross-center collaborative analysis. A total of at least 3000 patients with renal tumors will be enrolled (approximately 2600 in the retrospective phase and 400 in the prospective phase). The primary effectiveness outcomes include area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). The primary safety outcomes include false negative rate, false positive rate, and adverse events. The study also incorporates a multi-reader, multi-case (MRMC) design to compare the diagnostic performance of the AI system with radiologists of varying seniority, and to evaluate the system's utility in assisting junior radiologists. The findings of this study are expected to provide high-quality clinical evidence for the regulatory approval of this AI-assisted diagnostic system as a Class III medical device.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

3000

Yhteystiedot ja paikat

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

Opiskeluyhteys

  • Nimi: Hai-qi Liang, MD
  • Puhelinnumero: 86+18176618137
  • Sähköposti: liahiki@163.com

Tutki yhteystietojen varmuuskopiointi

  • Nimi: Nai-kai Liao, MD
  • Puhelinnumero: 86+18776891703
  • Sähköposti: 2546419718@qq.com

Opiskelupaikat

  • Kiina
    • Guangxi
      • Guigang, Guangxi, Kiina, 537100
        • Guigang People's Hospital
        • Ottaa yhteyttä:
      • Guilin, Guangxi, Kiina, 541002
        • Guilin People's Hospital
        • Ottaa yhteyttä:
      • Liuzhou, Guangxi, Kiina, 545006
        • Liuzhou People's Hospital
        • Ottaa yhteyttä:
      • Nanning, Guangxi, Kiina, 530021
        • The First Affiliated Hospital of Guangxi Medical University
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:
          • Haiqi Liang, MD
          • Puhelinnumero: 86+18176618137
          • Sähköposti: liahiki@163.com
        • Alatutkija:
          • Shenghua Deng, MD
      • Nanning, Guangxi, Kiina, 530021
        • Nanning Second People's Hospital
        • Ottaa yhteyttä:
      • Wuzhou, Guangxi, Kiina, 543002
        • Wuzhou Red Cross Hospital
        • 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

18 vuotta - 60 vuotta (Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Todennäköisyysnäyte

Tutkimusväestö

The study population consists of approximately 3,000 patients with pathologically confirmed renal tumors (benign or malignant) who underwent contrast-enhanced CT at ten Guangxi hospitals between January 2019 and June 2026. Cases are consecutively enrolled using a unified time window and strict inclusion/exclusion criteria. Eligible patients must have complete pre-operative contrast-enhanced CT, good image quality, and traceable clinical-pathological data. Exclusions include non-contrast CT only, severe artifacts, prior nephrectomy (except recurrence/residual), and incomplete data. Enrollment targets are 600 cases at the lead site and 300 at each of the nine participating centers.

Kuvaus

Inclusion Criteria:

  1. Patients pathologically confirmed as having renal tumors (either benign or malignant) by surgery or biopsy;
  2. Underwent contrastenhanced renal CT before surgery or treatment;
  3. CT images are of good quality and clearly depict the renal lesion contour;
  4. Complete and traceable clinical and pathological data.

Exclusion Criteria:

  1. Patients who did not undergo contrastenhanced CT before surgery, or only had noncontrast CT;
  2. CT images with significant motion artifacts, metal artifacts, or excessive noise that impair lesion assessment;
  3. Lesions too small (maximum diameter <1 mm) or not identifiable on imaging;
  4. Patients who previously underwent partial or radical nephrectomy for renal tumors (except for recurrent/residual lesions);
  5. Incomplete clinical data or pathological results.

Opintosuunnitelma

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

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Havaintomallit: CASE_CONTROL
  • Aikanäkymät: OTHER

Kohortit ja interventiot

Ryhmä/Kohortti
Malignant renal tumor
Benign renal tumor

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Dice Similarity Coefficient for Renal Tumor Segmentation
Aikaikkuna: The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

The primary outcome measure is the Dice Similarity Coefficient for renal tumor segmentation on contrast-enhanced CT, comparing the federated learning model against a centralized training model with a non-inferiority margin of Δ = -0.05. This outcome will be assessed at the end of the model training phase using an independent multi-center test set.
The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Classification Performance Metrics and Heterogeneity Impact Assessment
Aikaikkuna: Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

The secondary outcomes are: (1) classification performance metrics-AUC, accuracy, sensitivity, and specificity-for benign versus malignant renal tumor discrimination, with pathological diagnosis as the reference; and (2) the impact of data heterogeneity on model performance, assessed by comparing Dice coefficients and AUC values across centers and pathological subtypes. All secondary outcomes will be evaluated at the completion of the model training phase, approximately 18 months after study initiation, after the final federated aggregation and ensemble model construction, using the independent multi-center test set, with center-specific and subtype-specific analyses performed thereafter.
Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

First Affiliated Hospital of Guangxi Medical University

Tutkijat

  • Opintojohtaja: Min Qin, MD, First Affiliated Hospital of 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 (Arvioitu)

Torstai 1. lokakuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Keskiviikko 30. elokuuta 2028

Opintojen valmistuminen (Arvioitu)

Keskiviikko 30. elokuuta 2028

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 19. elokuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 21. syyskuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Perjantai 25. syyskuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Perjantai 30. lokakuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Keskiviikko 28. lokakuuta 2026

Viimeksi vahvistettu

Torstai 1. lokakuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 2026-S0835

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

IPD-suunnitelman kuvaus

Individual Participant Data (IPD) will not be shared in this study. The primary reasons are threefold: (1) strict legal restrictions under China's Data Security Law and Personal Information Protection Law prohibit cross-institutional transfer of raw medical data without explicit consent; (2) as a retrospective study spanning several years, obtaining renewed consent from all participants is practically infeasible; and (3) the core federated learning framework inherently eliminates the need for IPD sharing-only encrypted model parameters are transmitted, while raw CT images and clinical data remain securely stored at each participating center. This design fully protects patient privacy, complies with all regulatory requirements, and ensures the study's collaborative objectives are achieved without ever exposing individual-level data.

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