Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

AI Multimodal Model for Liver Cancer Diagnosis and Prognosis (AIM-LCAP)

28 juin 2026 mis à jour par: Fubo Wang, Guangxi Medical University

A Comprehensive Study of Liver Cancer Diagnosis and Prognosis Prediction Based on Artificial Intelligence and Multimodal Data

This study aims to develop a comprehensive artificial intelligence model system integrating preoperative multimodal data (CT/MRI imaging, clinical laboratory data, and radiology report text) to achieve two core objectives. First, to develop a multimodal fusion diagnostic model for non-invasive and accurate preoperative differentiation of liver cancer subtypes, including distinguishing benign from malignant lesions and differentiating hepatocellular carcinoma from intrahepatic cholangiocarcinoma. Second, to develop a prognostic prediction model for patients with confirmed liver cancer undergoing radical surgery to assess postoperative progression-free survival and overall survival. This is a multicenter retrospective cohort study with an anticipated sample size of ≥600 patients. Model performance will be evaluated using AUC, accuracy, sensitivity, specificity, C-index, and calibration curves. Subgroup analysis will be conducted based on whether patients received neoadjuvant therapy.

Aperçu de l'étude

Statut

Actif, ne recrute pas

Les conditions

Type d'étude

Observationnel

Inscription (Estimé)

600

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.

Lieux d'étude

  • Chine
    • Guangxi
      • Nanning, Guangxi, Chine
        • Guangxi Medical University First Affiliated Hospital

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

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

(1) Key clinical, imaging, or pathological data severely missing or incomplete; (2) Preoperative CT or MRI images of poor quality or missing sequences, unable to perform reliable image analysis; (3) Prior local treatment for the target liver lesion, unless clearly recorded as neoadjuvant therapy before surgery; (4) Concurrent other malignant tumors; (5) Lost to follow-up or follow-up data cannot meet endpoint determination requirements.

La description

Inclusion Criteria:

-Diagnostic Model Cohort:

  • Age ≥18 years
  • Underwent preoperative contrast-enhanced CT or MRI for clinically suspected liver space-occupying lesion
  • Have complete preoperative clinical laboratory data
  • Have complete original CT/MRI imaging data and radiology reports
  • Have definite pathological diagnosis from surgery or biopsy as gold standard

Prognostic Prediction Model Cohort (selected from diagnostic cohort):

  • Meet all diagnostic cohort inclusion criteria
  • Pathologically confirmed liver cancer
  • Underwent radical hepatectomy
  • Have complete preoperative multimodal data (CT/MRI imaging, clinical laboratory data, radiology reports)
  • Have complete postoperative follow-up data to determine progression-free survival and overall survival endpoints and time (minimum follow-up of 24 months)

Exclusion Criteria:

  • · Key clinical, imaging, or pathological data severely missing or incomplete

    • Preoperative CT or MRI images of poor quality or missing sequences, unable to perform reliable image analysis
    • Prior local treatment for the target liver lesion, unless clearly recorded as neoadjuvant therapy before surgery
    • Concurrent other malignant tumors
    • Lost to follow-up or follow-up data cannot meet endpoint determination requirements

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
Diagnostic
Diagnostic Model Cohort: Patients with suspected liver space-occupying lesions who underwent preoperative contrast-enhanced CT or MRI and have definite pathological diagnosis (surgical or biopsy) as gold standard.
Prognostic
Prognostic Prediction Model Cohort: Patients selected from the diagnostic cohort who were pathologically diagnosed with liver cancer, received radical hepatectomy, and have complete postoperative follow-up data (minimum 24 months) to determine progression-free survival and overall survival endpoints.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Diagnostic Accuracy of the Multimodal AI Model for Liver Lesion Classification
Délai: At the time of initial diagnosis
The diagnostic performance of the multimodal AI model in differentiating benign from malignant liver lesions and distinguishing hepatocellular carcinoma from intrahepatic cholangiocarcinoma, evaluated using pathology results as the gold standard. Performance metrics include area under the receiver operating characteristic curve (AUC), accuracy, sensitivity, and specificity.
At the time of initial diagnosis
Prognostic Performance of the Multimodal AI Model for Postoperative Survival Prediction
Délai: minimum follow-up of 24 months
The prognostic performance of the multimodal AI model in predicting postoperative progression-free survival (PFS) and overall survival (OS) in patients with pathologically confirmed liver cancer who underwent radical hepatectomy. Performance metric includes the concordance index (C-index). Calibration curves are also assessed.
minimum follow-up of 24 months

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Guangxi Medical University

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

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 décembre 2025

Achèvement primaire (Estimé)

1 décembre 2028

Achèvement de l'étude (Estimé)

1 décembre 2028

Dates d'inscription aux études

Première soumission

14 juin 2026

Première soumission répondant aux critères de contrôle qualité

14 juin 2026

Première publication (Réel)

22 juin 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

1 juillet 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

28 juin 2026

Dernière vérification

1 juin 2026

Plus d'information

Termes liés à cette étude

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • KY20260007

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 .

S'abonner