Un Sistema di Intelligenza Artificiale per la Diagnosi Multimodale e Multi-classe di Lesioni Cistiche Pancreatiche Basato sull'Ecografia Endoscopica
23 aprile 2026 aggiornato da: Qilu Hospital of Shandong University
Un Sistema di Intelligenza Artificiale per la Diagnosi Multimodale e Multiclasse di Lesioni Cistiche Pancreatiche Basata sull'Ecoendoscopia
L'obiettivo di questo studio è sviluppare e validare un sistema di intelligenza artificiale denominato iEUS-PCL (sistema intelligente di ecoendoscopia - lesioni cistiche pancreatiche) per rilevare e diagnosticare in modo multimodale e multiclasse le lesioni cistiche pancreatiche (PCL) durante l'esame di ecoendoscopia (EUS).
Panoramica dello studio
Stato
Non ancora reclutamento
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Questo studio di coorte prospettico multicentrico mira a sviluppare e validare un sistema di intelligenza artificiale multimodale denominato iEUS-PCL per il rilevamento e la diagnosi differenziale delle PCL.
Il modello è stato sviluppato sulla base di immagini EUS, caratteristiche EUS, dati clinici e caratteristiche di imaging radiologico raccolti retrospettivamente di pazienti che hanno subito un esame EUS.
Le prestazioni diagnostiche di iEUS-PCL saranno valutate prospetticamente in video EUS in tempo reale e confrontate con le prestazioni degli endosonografisti.
Tipo di studio
Osservativo
Iscrizione (Stimato)
176
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Contatto studio
- Nome: Zhen Li
- Numero di telefono: 86+18560086106
- Email: qilulizhen@sdu.edu.cn
Luoghi di studio
-
-
Shandong
-
Jinan, Shandong, Cina, 250012
- Qilu Hospital of Shandong University
-
Contatto:
- Zhen Li, doctor
- Numero di telefono: 86+18560086106
- Email: qilulizhen@sdu.edu.cn
-
-
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
- Adulto
- Adulto più anziano
Accetta volontari sani
No
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
Pazienti adulti con sospette lesioni cistiche pancreatiche sottoposti a EUS.
Descrizione
Criteri di inclusione:
- 1. Pazienti di età ≥18 anni programmati per EUS con sospette lesioni cistiche pancreatiche basate su sintomi clinici, anamnesi, esami di laboratorio o esami radiologici, e che accettano di partecipare alla ricerca e firmano volontariamente il consenso informato.
2. Pazienti senza precedenti trattamenti per lesioni pancreatiche.
Criteri di esclusione:
- 1. Pazienti con controindicazioni assolute all'esame EUS. 2. Gravidanza o allattamento. 3. Coagulopatia non correggibile (PTT>50 secondi o INR>1.5) e/o trombocitopenia non correggibile (conta piastrinica<50×10⁹/L). 4. Ostruzione gastrointestinale superiore. 5. Pazienti che hanno subito trattamento chirurgico o alterazioni anatomiche del pancreas a causa di lesioni in altri organi toracici e/o addominali, così come pazienti con anomalie anatomiche congenite.
6. Pazienti che hanno subito il posizionamento di stent nel dotto biliare/pancreatico. 7. Pazienti che rifiutano di firmare il consenso informato.
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
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Patients undergoing EUS
I pazienti di età ≥18 anni programmati per ecoendoscopia (EUS) con sospette lesioni cistiche pancreatiche basate su sintomi clinici, storia medica, esami di laboratorio o radiologici sono idonei previo accordo di partecipare alla ricerca e firma volontaria del consenso informato.
|
L'iEUS-PCL rileverà automaticamente le lesioni cistiche pancreatiche e integrerà le immagini EUS dei pazienti, le caratteristiche EUS, i dati clinici e le caratteristiche di imaging radiologico per eseguire tre compiti di classificazione:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'accuratezza dell'iEUS-PCL per le lesioni cistiche pancreatiche
Lasso di tempo: Durante la procedura
|
L'esito primario dello studio è valutare l'accuratezza dell'iEUS-PCL nell'identificare le lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; a 4 categorie).
|
Durante la procedura
|
|
La sensibilità dell'iEUS-PCL per le lesioni cistiche pancreatiche
Lasso di tempo: Durante la procedura
|
L'esito primario dello studio è valutare la sensibilità dell'iEUS-PCL nell'identificare le lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
La specificità di iEUS-PCL per lesioni cistiche pancreatiche
Lasso di tempo: Durante la procedura
|
L'esito primario dello studio è valutare la specificità dell'iEUS-PCL nell'identificare le lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
Il valore predittivo positivo dell'iEUS-PCL per le lesioni cistiche pancreatiche
Lasso di tempo: Durante la procedura
|
L'esito primario dello studio è valutare il valore predittivo positivo dell'iEUS-PCL nell'identificazione delle lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
Il valore predittivo negativo dell'iEUS-PCL per le lesioni cistiche pancreatiche
Lasso di tempo: Durante la procedura
|
L'esito primario dello studio è valutare il valore predittivo negativo dell'iEUS-PCL nell'identificazione delle lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Confronto dell'accuratezza tra iEUS-PCL ed endosonografisti
Lasso di tempo: Durante la procedura
|
L'esito secondario dello studio consiste nel confrontare l'accuratezza tra l'iEUS-PCL e endosonografi di diverso livello nell'identificazione delle lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; a 4 categorie).
|
Durante la procedura
|
|
Confronto della sensibilità tra iEUS-PCL e endosonografisti
Lasso di tempo: Durante la procedura
|
L'esito secondario dello studio consiste nel confrontare la sensibilità tra l'iEUS-PCL e endosonografisti di diverso livello nell'identificare le lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
Confronto della specificità tra iEUS-PCL ed endosonografisti
Lasso di tempo: Durante la procedura
|
L'esito secondario dello studio è confrontare la specificità tra iEUS-PCL e endosonografisti di diverso livello nell'identificare le lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
Confronto del valore predittivo positivo tra iEUS-PCL ed endosonografisti
Lasso di tempo: Durante la procedura
|
L'esito secondario dello studio è confrontare il valore predittivo positivo tra iEUS-PCL e diversi livelli di endosonografisti nell'identificazione delle lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
|
Confronto del valore predittivo negativo tra iEUS-PCL ed endosonografisti
Lasso di tempo: Durante la procedura
|
L'esito secondario dello studio è confrontare il valore predittivo negativo tra iEUS-PCL e diversi livelli di endosonografisti nell'identificazione delle lesioni cistiche pancreatiche (benigne/maligne; mucinose/non mucinose; 4 categorie).
|
Durante la procedura
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
Pubblicazioni generali
- 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.
- 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.
- Lipkova J, Chen RJ, Chen B, Lu MY, Barbieri M, Shao D, Vaidya AJ, Chen C, Zhuang L, Williamson DFK, Shaban M, Chen TY, Mahmood F. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 2022 Oct 10;40(10):1095-1110. doi: 10.1016/j.ccell.2022.09.012.
- Schulz D, Heilmaier M, Phillip V, Treiber M, Mayr U, Lahmer T, Mueller J, Demir IE, Friess H, Reichert M, Schmid RM, Abdelhafez M. Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning. Endoscopy. 2023 May;55(5):415-422. doi: 10.1055/a-1971-1274. Epub 2022 Nov 2.
- Kuwahara T, Hara K, Mizuno N, Okuno N, Matsumoto S, Obata M, Kurita Y, Koda H, Toriyama K, Onishi S, Ishihara M, Tanaka T, Tajika M, Niwa Y. Usefulness of Deep Learning Analysis for the Diagnosis of Malignancy in Intraductal Papillary Mucinous Neoplasms of the Pancreas. Clin Transl Gastroenterol. 2019 May 22;10(5):1-8. doi: 10.14309/ctg.0000000000000045.
- Nguon LS, Seo K, Lim JH, Song TJ, Cho SH, Park JS, Park S. Deep Learning-Based Differentiation between Mucinous Cystic Neoplasm and Serous Cystic Neoplasm in the Pancreas Using Endoscopic Ultrasonography. Diagnostics (Basel). 2021 Jun 8;11(6):1052. doi: 10.3390/diagnostics11061052.
- Vilas-Boas F, Ribeiro T, Afonso J, Cardoso H, Lopes S, Moutinho-Ribeiro P, Ferreira J, Mascarenhas-Saraiva M, Macedo G. Deep Learning for Automatic Differentiation of Mucinous versus Non-Mucinous Pancreatic Cystic Lesions: A Pilot Study. Diagnostics (Basel). 2022 Aug 24;12(9):2041. doi: 10.3390/diagnostics12092041.
- Gheorghiu MI, Seicean A, Pojoga C, Hagiu C, Seicean R, Sparchez Z. Contrast-enhanced guided endoscopic ultrasound procedures. World J Gastroenterol. 2024 May 7;30(17):2311-2320. doi: 10.3748/wjg.v30.i17.2311.
- Huang W, Xu Y, Li Z, Li J, Chen Q, Huang Q, Wu Y, Chen H. Enhancing noninvasive pancreatic cystic neoplasm diagnosis with multimodal machine learning. Sci Rep. 2025 May 12;15(1):16398. doi: 10.1038/s41598-025-01502-4.
- Hwang J, Kim YK, Min JH, Jeong WK, Hong SS, Kim HJ. Comparison between MRI with MR cholangiopancreatography and endoscopic ultrasonography for differentiating malignant from benign mucinous neoplasms of the pancreas. Eur Radiol. 2018 Jan;28(1):179-187. doi: 10.1007/s00330-017-4926-5. Epub 2017 Aug 4.
- Jiang J, Chao WL, Cao T, Culp S, Napoleon B, El-Dika S, Machicado JD, Pannala R, Mok S, Luthra AK, Akshintala VS, Muniraj T, Krishna SG. Improving Pancreatic Cyst Management: Artificial Intelligence-Powered Prediction of Advanced Neoplasms through Endoscopic Ultrasound-Guided Confocal Endomicroscopy. Biomimetics (Basel). 2023 Oct 19;8(6):496. doi: 10.3390/biomimetics8060496.
- 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.
- Rangwani S, Ardeshna DR, Rodgers B, Melnychuk J, Turner R, Culp S, Chao WL, Krishna SG. Application of Artificial Intelligence in the Management of Pancreatic Cystic Lesions. Biomimetics (Basel). 2022 Jun 14;7(2):79. doi: 10.3390/biomimetics7020079.
- European Study Group on Cystic Tumours of the Pancreas. European evidence-based guidelines on pancreatic cystic neoplasms. Gut. 2018 May;67(5):789-804. doi: 10.1136/gutjnl-2018-316027. Epub 2018 Mar 24.
- Elta GH, Enestvedt BK, Sauer BG, Lennon AM. ACG Clinical Guideline: Diagnosis and Management of Pancreatic Cysts. Am J Gastroenterol. 2018 Apr;113(4):464-479. doi: 10.1038/ajg.2018.14. Epub 2018 Feb 27.
- Vilela A, Quingalahua E, Vargas A, Hawa F, Shannon C, Carpenter ES, Shi J, Krishna SG, Lee UJ, Chalhoub JM, Machicado JD. Global Prevalence of Pancreatic Cystic Lesions in the General Population on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis. Clin Gastroenterol Hepatol. 2024 Sep;22(9):1798-1809.e6. doi: 10.1016/j.cgh.2024.02.018. Epub 2024 Feb 28.
- Kloth C, Haggenmuller B, Beck A, Wagner M, Kornmann M, Steinacker JP, Steinacker-Stanescu N, Vogele D, Beer M, Juchems MS, Schmidt SA. Diagnostic, Structured Classification and Therapeutic Approach in Cystic Pancreatic Lesions: Systematic Findings with Regard to the European Guidelines. Diagnostics (Basel). 2023 Jan 26;13(3):454. doi: 10.3390/diagnostics13030454.
- 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. Ther Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
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 (Stimato)
20 aprile 2026
Completamento primario (Stimato)
30 giugno 2028
Completamento dello studio (Stimato)
30 giugno 2028
Date di iscrizione allo studio
Primo inviato
15 aprile 2026
Primo inviato che soddisfa i criteri di controllo qualità
15 aprile 2026
Primo Inserito (Effettivo)
21 aprile 2026
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
29 aprile 2026
Ultimo aggiornamento inviato che soddisfa i criteri QC
23 aprile 2026
Ultimo verificato
1 aprile 2026
Maggiori informazioni
Termini relativi a questo studio
Altri numeri di identificazione dello studio
- 2026-SDU-QILU-2
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
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 .