Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning
19 maggio 2026 aggiornato da: Yunnan Cancer Hospital
Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning: Multicenter Retrospective and Prospective Validation
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
Panoramica dello studio
Stato
Non ancora reclutamento
Condizioni
Tipo di studio
Interventistico
Iscrizione (Stimato)
5000
Fase
- Non applicabile
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: Zhenhui LI
- Numero di telefono: 13698736132
- Email: lizhenhui@kmmu.edu.cn
Backup dei contatti dello studio
- Nome: Yu Xie
- Numero di telefono: 13708445492
- Email: xieyu@kmmu.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
Descrizione
Inclusion Criteria
- Female patients aged ≥ 18 years.
- Complete bilateral digital breast tomosynthesis (DBT) images available, including craniocaudal (CC) and mediolateral oblique (MLO) views.
- Confirmed pathological diagnosis (core needle biopsy or surgical resection) serving as the reference standard; or benign lesions with stable findings on follow-up for more than 2 years.
- (For the efficacy prediction subgroup) Patients who received complete neoadjuvant therapy and had postoperative pathological results.
2. Exclusion Criteria
- Poor image quality with severe artifacts that precluded reliable analysis.
- History of previous breast surgery or radiotherapy (except for the recurrence risk subgroup).
- Incomplete clinical or pathological data.
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
- Scopo principale: Diagnostico
- Assegnazione: N / A
- Modello interventistico: Assegnazione di gruppo singolo
- Mascheramento: Nessuno (etichetta aperta)
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Sperimentale: The application value of digital breast tomosynthesis in the accurate diagnosis of breast cancer
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
|
The digital breast tomosynthesis is part of the standard treatment protocol.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
The accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images.
Lasso di tempo: 1day
|
Taking surgical or puncture histopathological results as the gold standard, the accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images was evaluated.
It focuses on challenging BI-RADS 4A lesions, covering retrospective multi-center validation sets and prospective multi-center validation sets to ensure the representativeness and rigor of the indicator.
|
1day
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Investigatori
- Direttore dello studio: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital
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 maggio 2026
Completamento primario (Stimato)
31 dicembre 2026
Completamento dello studio (Stimato)
30 giugno 2029
Date di iscrizione allo studio
Primo inviato
27 aprile 2026
Primo inviato che soddisfa i criteri di controllo qualità
19 maggio 2026
Primo Inserito (Effettivo)
22 maggio 2026
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
22 maggio 2026
Ultimo aggiornamento inviato che soddisfa i criteri QC
19 maggio 2026
Ultimo verificato
1 maggio 2026
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- KYLX2026-064
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 .