Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

AI-Based Risk Classification and Histopathological Subtype Prediction of Basal Cell Carcinoma Using Dermoscopic Images (BCC-AI)

2026. június 29. frissítette: Tugce Nur Izbudak Kara, Istanbul Training and Research Hospital

Risk Classification and Prediction of Histopathological Subtypes in Basal Cell Carcinoma Using a CNN-Based Artificial Intelligence Model on Dermoscopic Images

This retrospective observational study aims to develop and evaluate a convolutional neural network (CNN)-based artificial intelligence model for risk classification and histopathological subtype prediction of basal cell carcinoma (BCC) using clinical and dermoscopic images. Histopathologically confirmed BCC cases from a dermatology archive will be included. The primary objective is to assess the diagnostic performance of the CNN model in classifying BCC as low-risk or high-risk. Secondary objectives include predicting histopathological subtypes and comparing the model's performance with that of dermatology physicians. Histopathological diagnosis will serve as the reference standard. All archived data will be anonymized before analysis.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Részletes leírás

Basal cell carcinoma (BCC) is the most common skin malignancy and comprises histopathological subtypes with different biological behaviors, recurrence risks, and treatment implications. Accurate identification of high-risk and low-risk subtypes is important for clinical decision-making. Dermoscopy improves diagnostic accuracy in BCC; however, prediction of histopathological risk categories based solely on dermoscopic findings remains challenging.

This retrospective observational study will use archived clinical and dermoscopic images, histopathology reports, and clinical records of patients with histopathologically confirmed BCC. All data will be anonymized before analysis. Images containing identifiable patient information will be excluded.

A convolutional neural network (CNN)-based artificial intelligence model will be developed using clinical and dermoscopic images. Images will undergo preprocessing, including standardization of image size, normalization procedures, and removal of potentially identifiable information. The dataset will be divided into training, validation, and test sets while maintaining separation at the patient level to avoid data leakage.

The primary outcome is the diagnostic performance of the CNN model for classification of BCC into low-risk and high-risk histopathological groups. Secondary outcomes include prediction of histopathological subtypes and comparison of model performance with dermatologist assessments. Histopathological diagnosis will serve as the reference standard.

Model performance will be evaluated using accuracy, sensitivity, specificity, precision, recall, F1 score, and area under the receiver operating characteristic curve (ROC-AUC). Comparisons between the artificial intelligence model and physician assessments will be performed using appropriate statistical methods. Interobserver agreement may also be assessed when applicable.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

2500

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányi helyek

  • Törökország (Türkiye)
    • Istanbul
      • Istanbul, Istanbul, Törökország (Türkiye), 34000
        • Toborzás
        • Istanbul Training and Research Hospital
        • Kapcsolatba lépni:
        • Kapcsolatba lépni:
        • Kutatásvezető:
          • Ayse Esra Koku Aksu, MD
        • Alkutató:
          • Tugce Nur Izbudak Kara, MD
        • Alkutató:
          • Duygu Yamen, MD

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Gyermek
  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

The study population consists of patients with histopathologically confirmed basal cell carcinoma who have dermoscopic images of sufficient quality for artificial intelligence analysis and documented histopathological subtype information. Archived clinical and dermoscopic images collected at Istanbul Training and Research Hospital will be retrospectively analyzed.

Leírás

Inclusion Criteria:

  • Patients with histopathologically confirmed basal cell carcinoma.
  • Cases with a specified histopathological subtype.
  • Availability of dermoscopic images with sufficient image quality and resolution for artificial intelligence analysis.

Exclusion Criteria:

  • Cases without histopathological confirmation of basal cell carcinoma.
  • Cases with unspecified histopathological subtype.
  • Images with insufficient quality or resolution for artificial intelligence analysis.
  • Cases without available dermoscopic images.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Low-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed low-risk basal cell carcinoma, including nodular, superficial, pigmented, adenoid, solid, and nodulocystic subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and subtype prediction.
High-Risk Basal Cell Carcinoma
Patients with histopathologically confirmed high-risk basal cell carcinoma, including infiltrative, micronodular, morpheaform, and basosquamous subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and histopathological subtype prediction.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Accuracy of artificial intelligence-based classification of basal cell carcinoma risk groups
Időkeret: Baseline
Diagnostic accuracy of the convolutional neural network model in distinguishing low-risk and high-risk basal cell carcinoma using dermoscopic images, compared with histopathological diagnosis as the reference standard.
Baseline

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of convolutional neural network for histopathological subtype prediction of basal cell carcinoma using dermoscopic images
Időkeret: baseline
Diagnostic performance of the convolutional neural network in predicting histopathological subtypes of basal cell carcinoma from dermoscopic images compared with histopathological diagnosis (reference standard). Diagnostic accuracy will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of artificial intelligence compared with dermatologists for basal cell carcinoma risk classification
Időkeret: baseline
Comparison of diagnostic performance between the artificial intelligence model and dermatologists in risk classification of basal cell carcinoma. Performance will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.
baseline

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Istanbul Training and Research Hospital

Nyomozók

  • Kutatásvezető: Ayse Esra Koku Aksu, MD, Istanbul Training and Research Hospital

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2026. május 22.

Elsődleges befejezés (Becsült)

2027. május 22.

A tanulmány befejezése (Becsült)

2027. május 22.

Tanulmányi regisztráció dátumai

Először benyújtva

2026. június 19.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 29.

Első közzététel (Tényleges)

2026. június 30.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. június 30.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 29.

Utolsó ellenőrzés

2026. június 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Kulcsszavak

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • SBU-IEAH-DERM-BCCAI-163
  • IEAH-EC-163 (Egyéb azonosító: Istanbul Training and Research Hospital Non-Interventional Clinical Research Ethics Committee)

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

IGEN

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel