Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Sviluppo di un sistema di intelligenza artificiale multimodale per la gestione del GIST

3 ottobre 2026 aggiornato da: Qun Zhao

Sviluppo e Validazione di un Modello di Intelligenza Artificiale Multimodale che Integra Radiomica TC, Patomica e Caratteristiche Cliniche per la Diagnosi, Stratificazione del Rischio e Predizione del Genotipo dei Tumori Stromali Gastrointestinali

Background: Gastrointestinal Stromal Tumors (GISTs) are the most common mesenchymal tumors of the gastrointestinal tract. Accurate pre-operative diagnosis, risk stratification, and genotyping are critical for determining the appropriate surgical approach and targeted therapy (such as Imatinib). However, current methods often rely on invasive postoperative pathology and expensive genetic testing.

Study Objective: The purpose of this study is to develop and validate a multimodal Artificial Intelligence (AI) model that integrates clinical data, CT radiomics (imaging features), and pathomics (digital pathology features) to improve the precision of GIST management.

Study Design: This is a prospective, observational study. The researchers will recruit patients with suspected gastric submucosal tumors who are scheduled for surgery or biopsy at The Fourth Hospital of Hebei Medical University.

Core Tasks: The AI model will be trained to perform three specific tasks:

Diagnosis: Distinguish GISTs from other non-GIST mesenchymal tumors (e.g., leiomyomas, schwannomas).

Risk Assessment: Stratify GISTs into risk categories (e.g., Low vs. High risk) to predict malignant potential.

Genotyping: Predict specific gene mutations (e.g., KIT or PDGFRA mutations) to guide immunotherapy or targeted therapy.

Methodology: Patient data (CT scans, pathology slides, and clinical history) will be collected and analyzed by the AI system. The AI's predictions will be compared against the "Gold Standard" results derived from postoperative pathological examination and Next-Generation Sequencing (NGS). This study is non-interventional; the AI results will not affect the standard of care received by the patients.

Panoramica dello studio

Tipo di studio

Osservativo

Iscrizione (Effettivo)

300

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

    • Anhui
      • Fuyang, Anhui, Cina, 236003
        • The Fifth Affiliated Hospital of Anhui Medical University
    • Hebei
      • Baoding, Hebei, Cina, 071030
        • Baoding Central Hospital
      • Cangzhou, Hebei, Cina, 061000
        • Cangzhou People's Hospital
      • Hengshui, Hebei, Cina, 053099
        • Hengshui People's Hospital
      • Shijiazhuang, Hebei, Cina, 050011
        • Shijiazhuang People's Hospital
      • Xingtai, Hebei, Cina, 054000
        • The Second Affiliated Hospital of Xingtai Medical College
    • Hubei
      • Wuhan, Hubei, Cina, 430065
        • Renmin Hospital of Wuhan University
    • Hunan
      • Hengyang, Hunan, Cina, 421001
        • The First Affiliated Hospital of University of South China
    • Jiangsu
      • Nanjing, Jiangsu, Cina, 210002
        • Jinling Hospital

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

18 anni e precedenti (Adulto, Adulto più anziano)

Accetta volontari sani

N/A

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Patients presenting with gastric submucosal tumors (SMTs) who are admitted to the Department of Gastrointestinal Surgery at The Fourth Hospital of Hebei Medical University for surgical or endoscopic treatment. The cohort includes patients with subsequently pathologically confirmed GISTs and other mesenchymal tumors (e.g., leiomyoma, schwannoma).

Descrizione

Inclusion Criteria:

Age ≥ 18 years, gender not limited.

Clinical diagnosis of gastric submucosal tumor (SMT) or suspected gastrointestinal stromal tumor (GIST) based on gastroscopy or ultrasound.

Scheduled for surgical resection or endoscopic biopsy at the study center.

Standard preoperative contrast-enhanced CT scans are available (performed within 2 weeks prior to surgery).

Patients or their legal guardians have signed the informed consent form.

Exclusion Criteria:

Received neoadjuvant therapy (e.g., Imatinib, chemotherapy, or radiotherapy) prior to surgery/biopsy.

Poor quality of CT images (e.g., severe motion artifacts) affecting radiomics analysis.

Insufficient tissue samples for pathological diagnosis or genetic testing.

Confirmed diagnosis of other primary malignancies.

Incomplete clinical data or lost to follow-up immediately after surgery.

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

  • Modelli osservazionali: COHORT
  • Prospettive temporali: PROSPECTIVE

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Diagnostic Accuracy of the AI Model for Distinguishing GIST from Non-GIST Tumors
Lasso di tempo: Up to 30 days post-surgery

The diagnostic accuracy is calculated as the proportion of correctly classified patients (GIST vs. Non-GIST) by the multimodal AI model, compared to the gold standard postoperative pathological diagnosis.

Up to 30 days post-surgery

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Concordance Rate between AI-predicted Risk Grade and Pathological Modified NIH Criteria
Lasso di tempo: Up to 30 days post-surgery

The proportion of patients whose risk category (Very Low/Low vs. Intermediate/High) predicted by the AI model matches the actual risk grade determined by postoperative pathology according to the modified National Institutes of Health (NIH) criteria. This will be reported as a percentage (0-100%)

Up to 30 days post-surgery
Sensitivity and Specificity of the AI Model in Predicting KIT/PDGFRA Gene Mutations
Lasso di tempo: Up to 30 days post-surgery

The AI model's performance in identifying specific mutations (e.g., KIT exon 11, PDGFRA) compared to the results of Next-Generation Sequencing (NGS). Data will be reported as percentages with 95% confidence intervals.

Up to 30 days post-surgery
Area Under the Receiver Operating Characteristic Curve (AUC) for All Tasks
Lasso di tempo: Up to 30 days post-surgery

The AUC values will be calculated to evaluate the overall performance of the AI model in diagnosis, risk stratification, and genotype prediction. Sensitivity and Specificity will also be reported.

Up to 30 days post-surgery

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

1 marzo 2026

Completamento primario (Effettivo)

1 luglio 2026

Completamento dello studio (Effettivo)

1 luglio 2026

Date di iscrizione allo studio

Primo inviato

12 febbraio 2026

Primo inviato che soddisfa i criteri di controllo qualità

5 marzo 2026

Primo Inserito (Effettivo)

6 marzo 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

6 ottobre 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

3 ottobre 2026

Ultimo verificato

1 marzo 2026

Maggiori informazioni

Termini relativi a questo studio

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

INDECISO

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .

Sottoscrivi