Un système d'intelligence artificielle pour le diagnostic multimodal et multiclasse des lésions solides pancréatiques basé sur l'échographie endoscopique
23 janvier 2026 mis à jour par: Qilu Hospital of Shandong University
Un système d'intelligence artificielle pour le diagnostic multimodal et multiclasse des lésions solides du pancréas basé sur l'échographie endoscopique
L'objectif de cette étude est de valider un système d'intelligence artificielle nommé iEUS-SPL (système intelligent d'échographie endoscopique - lésion pancréatique solide) pour la détection et le diagnostic multimodal et multiclasse des lésions pancréatiques solides lors d'un examen d'échographie endoscopique (EUS).
Aperçu de l'étude
Statut
Recrutement
Les conditions
Intervention / Traitement
Description détaillée
Il s'agit d'une étude observationnelle de cohorte prospective.
Nous avons développé un système d'intelligence artificielle nommé iEUS-SPL pour le diagnostic multimodal et multiclasse des lésions pancréatiques solides, utilisant des images d'échographie endoscopique, des caractéristiques échographiques endoscopiques, des données cliniques et des caractéristiques d'imagerie provenant de patients rétrospectivement recueillis ayant subi une EUS.
Le taux de détection des lésions et la performance diagnostique de l'iEUS-SPL dans l'identification des lésions pancréatiques solides seront évalués sur des vidéos de balayage EUS en temps réel auprès de cas inclus prospectivement.
Type d'étude
Observationnel
Inscription (Estimé)
383
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Coordonnées de l'étude
- Nom: Zhen Li
- Numéro de téléphone: 18560086106
- E-mail: qilulizhen@sdu.edu.cn
Lieux d'étude
-
-
Shandong
-
Jinan, Shandong, Chine, 250012
- Recrutement
- Qilu Hospital of Shandong University
-
Contact:
- Zhen Li, doctor
- Numéro de téléphone: 18560086106
- E-mail: qilulizhen@sdu.edu.cn
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Oui
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Patients adultes présentant des lésions pancréatiques solides suspectées subissant une échoendoscopie.
La description
Critères d'inclusion :
- Patients âgés de ≥18 ans programmés pour une échoendoscopie avec suspicion de lésions pancréatiques solides sur la base de symptômes cliniques, d'antécédents médicaux, de tests de laboratoire ou d'examens radiologiques, acceptant de participer à la recherche et capables de signer un consentement éclairé.
- Patients sans antécédent de traitement pour des lésions pancréatiques.
Critères d'exclusion :
- Patients présentant des contre-indications absolues à l'examen par échoendoscopie.
- Grossesse ou allaitement.
- Coagulopathie non corrigeable (TCA>50 secondes ou INR>1,5) et/ou thrombopénie non corrigeable (numération plaquettaire<50×10⁹/L).
- Obstruction du tractus gastro-intestinal supérieur.
- Patients ayant subi un traitement chirurgical ou des altérations anatomiques du pancréas en raison de lésions dans d'autres organes thoraciques et/ou abdominaux, ainsi que les patients présentant des anomalies anatomiques congénitales.
- Patients ayant bénéficié d'une mise en place de stent biliaire/pancréatique.
- Patients refusant de signer le consentement éclairé.
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Patients subissant une échoendoscopie
Les patients âgés de ≥18 ans programmés pour une échoendoscopie avec suspicion de lésions pancréatiques solides sur la base de symptômes cliniques, d'antécédents médicaux, d'examens de laboratoire ou d'examens radiologiques acceptent de participer à la recherche et sont en mesure de signer un consentement éclairé.
|
Le iEUS-SPL détectera automatiquement les lésions pancréatiques solides et intégrera les images d'échographie endoscopique des patients, les caractéristiques de l'échographie endoscopique, les données cliniques et les caractéristiques d'imagerie pour effectuer une classification en cinq catégories des lésions, les catégorisant comme cancer du pancréas, tumeur neuroendocrine pancréatique, tumeur pseudopapillaire solide, pancréatite auto-immune et pancréatite chronique.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
La précision de l'iEUS-SPL pour les lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d'évaluation principal de l'étude est d'évaluer la précision de l'iEUS-SPL dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
La sensibilité de l'iEUS-SPL pour les lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d'évaluation principal de l'étude est d'évaluer la sensibilité de l'iEUS-SPL dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
La spécificité de l'iEUS-SPL pour les lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d’évaluation principal de l’étude est d’évaluer la spécificité de l’iEUS-SPL dans l’identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
La valeur prédictive positive de l'iEUS-SPL pour les lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d'évaluation principal de l'étude est d'évaluer la valeur prédictive positive de l'iEUS-SPL dans l'identification des lésions pancréatiques solides (incluant le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
La valeur prédictive négative de l'iEUS-SPL pour les lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d'évaluation principal de l'étude est d'évaluer la valeur prédictive négative de l'iEUS-SPL dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
le taux de détection des lésions de l'iEUS-SPL pour la détection des lésions pancréatiques solides
Délai: Pendant l'intervention
|
Le critère d'évaluation principal de l'étude est d'évaluer le taux de détection des lésions de l'iEUS-SPL dans l'identification des lésions pancréatiques solides (défini comme le nombre de lésions détectées divisé par le nombre total de lésions).
|
Pendant l'intervention
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Comparaison de la précision entre l'iEUS-SPL et les échoendoscopistes
Délai: Pendant la procédure
|
Le critère d'évaluation secondaire de l'étude est de comparer la précision entre l'iEUS-SPL et des endosonographistes de différents niveaux dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant la procédure
|
|
Comparaison de la sensibilité entre l'iEUS-SPL et les endosonographistes
Délai: Pendant la procédure
|
L'objectif secondaire de l'étude est de comparer la sensibilité entre l'iEUS-SPL et des endosonographistes de différents niveaux dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant la procédure
|
|
Comparaison de la spécificité entre l'iEUS-SPL et les endosonographistes
Délai: Pendant la procédure
|
Le critère de jugement secondaire de l'étude est de comparer la spécificité entre l'iEUS-SPL et les échographistes endoscopiques de différents niveaux dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant la procédure
|
|
Comparaison de la valeur prédictive positive entre l'iEUS-SPL et les endosonographistes
Délai: Pendant l'intervention
|
Le critère d'évaluation secondaire de l'étude est de comparer la valeur prédictive positive entre l'iEUS-SPL et des écho-endoscopistes de différents niveaux dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
|
Comparaison de la valeur prédictive négative entre l'iEUS-SPL et les endosonographistes
Délai: Pendant l'intervention
|
Le critère d'évaluation secondaire de l'étude est de comparer la valeur prédictive négative entre l'iEUS-SPL et différents niveaux d'endosonographes dans l'identification des lésions pancréatiques solides (y compris le cancer du pancréas, la tumeur neuroendocrine pancréatique, la tumeur pseudopapillaire solide, la pancréatite auto-immune, la pancréatite chronique).
|
Pendant l'intervention
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- 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.
- Oh CK, Kim T, Cho YK, Cheung DY, Lee BI, Cho YS, Kim JI, Choi MG, Lee HH, Lee S. Convolutional neural network-based object detection model to identify gastrointestinal stromal tumors in endoscopic ultrasound images. J Gastroenterol Hepatol. 2021 Dec;36(12):3387-3394. doi: 10.1111/jgh.15653. Epub 2021 Aug 16.
- Bang JY, Saftoiu A, Udristoiu A, Gruionu L, Codruta Gheorghe E, Gruionu G, Ramesh J, Wilcox CM, Varadarajulu S. Prospective clinical validation of a novel artificial intelligence system for real-time detection of solid pancreatic masses during endoscopic ultrasonography. Endoscopy. 2025 Oct 13. doi: 10.1055/a-2701-6530. Online ahead of print.
- Cui H, Zhao Y, Xiong S, Feng Y, Li P, Lv Y, Chen Q, Wang R, Xie P, Luo Z, Cheng S, Wang W, Li X, Xiong D, Cao X, Bai S, Yang A, Cheng B. Diagnosing Solid Lesions in the Pancreas With Multimodal Artificial Intelligence: A Randomized Crossover Trial. JAMA Netw Open. 2024 Jul 1;7(7):e2422454. doi: 10.1001/jamanetworkopen.2024.22454.
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6.
- Dahiya DS, Al-Haddad M, Chandan S, Gangwani MK, Aziz M, Mohan BP, Ramai D, Canakis A, Bapaye J, Sharma N. Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Cancer: Where Are We Now and What Does the Future Entail? J Clin Med. 2022 Dec 16;11(24):7476. doi: 10.3390/jcm11247476.
- Kim YH, Kim GH, Kim KB, Lee MW, Lee BE, Baek DH, Kim DH, Park JC. Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. J Clin Med. 2020 Sep 29;9(10):3162. doi: 10.3390/jcm9103162.
- Qin X, Zhang M, Zhou C, Ran T, Pan Y, Deng Y, Xie X, Zhang Y, Gong T, Zhang B, Zhang L, Wang Y, Li Q, Wang D, Gao L, Zou D. A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma. Cancer Med. 2023 Aug;12(16):17005-17017. doi: 10.1002/cam4.6335. Epub 2023 Jul 17.
- 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.
- 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.
- Norton ID, Zheng Y, Wiersema MS, Greenleaf J, Clain JE, Dimagno EP. Neural network analysis of EUS images to differentiate between pancreatic malignancy and pancreatitis. Gastrointest Endosc. 2001 Nov;54(5):625-9. doi: 10.1067/mge.2001.118644.
- Nakamura H, Fukuda M, Matsuda A, Makino N, Kimura H, Ohtaki Y, Nawa Y, Oyama S, Suzuki Y, Kobayashi T, Ishizawa T, Kakizaki Y, Ueno Y. Differentiating localized autoimmune pancreatitis and pancreatic ductal adenocarcinoma using endoscopic ultrasound images with deep learning. DEN Open. 2024 Mar 2;4(1):e344. doi: 10.1002/deo2.344. eCollection 2024 Apr.
- Dhali A, Kipkorir V, Srichawla BS, Kumar H, Rathna RB, Ongidi I, Chaudhry T, Morara G, Nurani K, Cheruto D, Biswas J, Chieng LR, Dhali GK. Artificial intelligence assisted endoscopic ultrasound for detection of pancreatic space-occupying lesion: a systematic review and meta-analysis. Int J Surg. 2023 Dec 1;109(12):4298-4308. doi: 10.1097/JS9.0000000000000717.
- Das A, Nguyen CC, Li F, Li B. Digital image analysis of EUS images accurately differentiates pancreatic cancer from chronic pancreatitis and normal tissue. Gastrointest Endosc. 2008 May;67(6):861-7. doi: 10.1016/j.gie.2007.08.036. Epub 2008 Jan 7.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Kuraishi Y, Fumihara D, Yanaidani T, Ishikawa S, Yasuda T, Yamada M, Onishi S, Yamada K, Tanaka T, Tajika M, Niwa Y, Yamaguchi R, Shimizu Y. Artificial intelligence using deep learning analysis of endoscopic ultrasonography images for the differential diagnosis of pancreatic masses. Endoscopy. 2023 Feb;55(2):140-149. doi: 10.1055/a-1873-7920. Epub 2022 Jun 10.
- 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. Therap Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (Réel)
1 septembre 2025
Achèvement primaire (Estimé)
30 juin 2028
Achèvement de l'étude (Estimé)
30 juin 2028
Dates d'inscription aux études
Première soumission
24 décembre 2025
Première soumission répondant aux critères de contrôle qualité
23 janvier 2026
Première publication (Réel)
2 février 2026
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
2 février 2026
Dernière mise à jour soumise répondant aux critères de contrôle qualité
23 janvier 2026
Dernière vérification
1 septembre 2025
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- 2025-SDU-QILU-6
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .