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.

Federated Learning in Renal Tumor Model

28 octobre 2026 mis à jour par: 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.

Aperçu de l'étude

Statut

Pas encore de recrutement

Les conditions

Type d'étude

Observationnel

Inscription (Estimé)

3000

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: Hai-qi Liang, MD
  • Numéro de téléphone: 86+18176618137
  • E-mail: liahiki@163.com

Sauvegarde des contacts de l'étude

  • Nom: Nai-kai Liao, MD
  • Numéro de téléphone: 86+18776891703
  • E-mail: 2546419718@qq.com

Lieux d'étude

  • Chine
    • Guangxi
      • Guigang, Guangxi, Chine, 537100
        • Guigang People's Hospital
        • Contact:
      • Guilin, Guangxi, Chine, 541002
        • Guilin People's Hospital
        • Contact:
      • Liuzhou, Guangxi, Chine, 545006
        • Liuzhou People's Hospital
        • Contact:
      • Nanning, Guangxi, Chine, 530021
        • The First Affiliated Hospital of Guangxi Medical University
        • Contact:
        • Contact:
          • Haiqi Liang, MD
          • Numéro de téléphone: 86+18176618137
          • E-mail: liahiki@163.com
        • Sous-enquêteur:
          • Shenghua Deng, MD
      • Nanning, Guangxi, Chine, 530021
        • Nanning Second People's Hospital
        • Contact:
          • Yang Xie, MD
          • Numéro de téléphone: 86+18346826751
          • E-mail: XieYNan@163.com
      • Wuzhou, Guangxi, Chine, 543002
        • Wuzhou Red Cross Hospital
        • Contact:

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

18 ans à 60 ans (Adulte)

Accepte les volontaires sains

Non

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon de probabilité

Population étudiée

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.

La description

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.

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

  • Modèles d'observation: CASE_CONTROL
  • Perspectives temporelles: OTHER

Cohortes et interventions

Groupe / Cohorte
Malignant renal tumor
Benign renal tumor

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Dice Similarity Coefficient for Renal Tumor Segmentation
Délai: 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.

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Classification Performance Metrics and Heterogeneity Impact Assessment
Délai: 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

Collaborateurs et enquêteurs

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

Parrainer

First Affiliated Hospital of Guangxi Medical University

Les enquêteurs

  • Directeur d'études: Min Qin, MD, First Affiliated Hospital of 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 (Estimé)

1 octobre 2026

Achèvement primaire (Estimé)

30 août 2028

Achèvement de l'étude (Estimé)

30 août 2028

Dates d'inscription aux études

Première soumission

19 août 2026

Première soumission répondant aux critères de contrôle qualité

21 septembre 2026

Première publication (Réel)

25 septembre 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

30 octobre 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

28 octobre 2026

Dernière vérification

1 octobre 2026

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • 2026-S0835

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

NON

Description du régime IPD

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.

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