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.

Federated Learning in Renal Tumor Model

28 ottobre 2026 aggiornato da: 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.

Panoramica dello studio

Stato

Non ancora reclutamento

Condizioni

Tipo di studio

Osservativo

Iscrizione (Stimato)

3000

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: Hai-qi Liang, MD
  • Numero di telefono: 86+18176618137
  • Email: liahiki@163.com

Backup dei contatti dello studio

Luoghi di studio

  • Cina
    • Guangxi
      • Guigang, Guangxi, Cina, 537100
        • Guigang People's Hospital
        • Contatto:
      • Guilin, Guangxi, Cina, 541002
        • Guilin People's Hospital
        • Contatto:
      • Liuzhou, Guangxi, Cina, 545006
        • Liuzhou People's Hospital
        • Contatto:
      • Nanning, Guangxi, Cina, 530021
        • The First Affiliated Hospital of Guangxi Medical University
        • Contatto:
        • Contatto:
          • Haiqi Liang, MD
          • Numero di telefono: 86+18176618137
          • Email: liahiki@163.com
        • Sub-investigatore:
          • Shenghua Deng, MD
      • Nanning, Guangxi, Cina, 530021
        • Nanning Second People's Hospital
        • Contatto:
      • Wuzhou, Guangxi, Cina, 543002
        • Wuzhou Red Cross Hospital
        • Contatto:

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

Da 18 anni a 60 anni (Adulto)

Accetta volontari sani

No

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione di probabilità

Popolazione di studio

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.

Descrizione

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.

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: CASE_CONTROL
  • Prospettive temporali: OTHER

Coorti e interventi

Gruppo / Coorte
Malignant renal tumor
Benign renal tumor

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Dice Similarity Coefficient for Renal Tumor Segmentation
Lasso di tempo: 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.

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Classification Performance Metrics and Heterogeneity Impact Assessment
Lasso di tempo: 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

Collaboratori e investigatori

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

Sponsor

First Affiliated Hospital of Guangxi Medical University

Investigatori

  • Direttore dello studio: Min Qin, MD, First Affiliated Hospital of Guangxi Medical University

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

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)

1 ottobre 2026

Completamento primario (Stimato)

30 agosto 2028

Completamento dello studio (Stimato)

30 agosto 2028

Date di iscrizione allo studio

Primo inviato

19 agosto 2026

Primo inviato che soddisfa i criteri di controllo qualità

21 settembre 2026

Primo Inserito (Effettivo)

25 settembre 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

30 ottobre 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

28 ottobre 2026

Ultimo verificato

1 ottobre 2026

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • 2026-S0835

Piano per i dati dei singoli partecipanti (IPD)

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

NO

Descrizione del piano 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.

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 .

Sottoscrivi