간 종양 진단을위한 중재 AI-Human 협력
DCE-CT를 사용한 간 종양의 AI-Human 공동 진단
최근 인공 지능 (AI), 특히 딥 러닝 기술의 발전은 의료 영상 분석에 혁명을 일으켰습니다. AI 시스템은 특정 방사선 응용 분야에서 전통적인 방법과 인간의 전문 지식을 일치 시키거나 능가하는 진단 기능을 보여주었습니다. 간 중심 AI 진단 시스템은 수석 방사선 전문의와 비교할 수있는 정확도 수준을 달성하는 다중 센터 검증에서 유망한 결과를 보여 주었지만 현재 AI 모델은 실제 구현에서 중요한 과제에 직면 해 있습니다. 이러한 과제는 주로 다양한 환자 집단과 다양한 영상 조건에 대한 제한된 검증에서 비롯되며, 더 넓은 임상 적용 가능성에 대한 의문을 제기합니다.
이 연구는 동적 대비 강화 CT (DCE-CT) 이미징의 실시간 분석을 통해 간 종양 진단의 AI-Human 협력을 조사하는 것을 목표로합니다. 검증 프로토콜은 병렬 진단 워크 플로를 구현합니다. 방사선 전문의는 표준 임상 절차에 따라 독립적 인 평가를 수행하는 반면 AI 시스템은 동일한 이미징 데이터를 동시에 분석하여 시너지 적 해석의 기회를 만듭니다. AI와 방사선 전문의 해석 사이에 진단 불일치가 발생하면 사례는 최종 진단 결정을위한 전문가 패널 검토를 거칩니다. 이 협업 접근법은 독립적 및 결합 된 진단 성능을 평가하고, 인간 전문 지식과 AI 기능 사이의 보완 강점 식별, 광범위한 임상 프리젠 테이션에 대한 검증, 최적의 AI-Human 통합 전략에 대한 체계적인 문서화를 가능하게합니다. 이에 따라이 연구는 임상 진단 워크 플로에서 효과적인 AI-Human 협업을위한 프레임 워크를 설정하면서 이전의 검증 한계를 해결합니다.
연구 개요
상세 설명
이 연구는 동적 대비 강화 CT (DCE-CT) 이미징의 실시간 분석을 통해 간 종양 진단의 AI-Human 협력을 조사하는 것을 목표로합니다. 검증 프로토콜은 병렬 진단 스트림을 구현하면서 기존의 방사선 학적 해석 워크 플로를 유지합니다. 방사선 전문의는 표준 임상 절차에 따라 독립적 인 평가를 수행하는 반면 AI 시스템은 동일한 이미징 데이터를 동시에 분석하여 상승적 해석 기회를 창출합니다. AI와 방사선 전문의 해석 사이에 진단 불일치가 발생하면 사례가 최종 진단 결정을위한 전문가 패널 검토로 확대됩니다.
이 협업 접근법은 독립적이고 결합 된 진단 성능 평가, 도전적인 사례에 대한 독립적이고 결합 된 진단 성능 평가, 전문가 합의 검토 (특히 의심 스럽거나 불확실한 병변에 대한 가치), 보완적인 인간 AI 강점의 식별, 다양한 임상 프리젠 테이션에 대한 검증 및 최적의 통합 전략에 대한 체계적인 문서화를 통해 포괄적 인 평가를 가능하게합니다. 이에 따라이 연구는 임상 진단 워크 플로에서 효과적인 AI-Human 협업을위한 프레임 워크를 설정하면서 이전의 검증 한계를 해결합니다.
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
Liaoning
-
Shenyang, Liaoning, 중국, 110004
- Shengjing Hospital of China Medical University
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
설명
포함 기준 :
- 18 ~ 75 세의 연령대
- 간 커버리지로 동적 대비 강화 복부 CT 검사를 받았습니다
- 완전한 이미징 데이터 회의 AI 시스템 분석 요구 사항
제외 기준 :
- 주요 간 외과 병력 (예 : 간 이식, 담낭 절제술, Whipple 절차).
- 외상이나 복수가있는 간 상태.
- 이미지 품질이 좋지 않거나 심한 소음 아티팩트.
- 필요한 이미징 단계 (비 대비, 동맥 및 정맥 단계) 누락.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 해당 없음
- 중재 모델: 단일 그룹 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: 간 병변에 대한 CE-CT 진단에서의 AI-Human 협력
전향 적 분석 단계에서, 환자는 일상적인 다상의 대비 강화 컴퓨터 단층 촬영 (CE-CT) 이미징을 겪습니다.
스캔은 표준 방사선 전문의 해석 (AI 입력없이)과 독립적 인 AI 분석의 두 가지 병렬 경로를 통해 평가됩니다.
진단 불일치가 발생하면 선임 방사선 전문의 또는 다 분야 전문가 패널 이이 사례를 검토하고 결정적인 진단을 제공합니다.
|
이 시스템은 모든 적격 당일 스캔을 자동으로 처리하고 다음날 검토 결과를 생성합니다.
표준 임상 워크 플로를 보존하는 동안 효율적인 AI-Human 협업을 유지하기 위해 기존의 방사선 학적 해석 과정은 변경되지 않았습니다 (1 차 방사선 전문의는 초기 보고서를 제공 한 다음 선임 방사선 전문의의 검토를 제공합니다).
전담 선임 방사선 전문의는 AI 결과와 1 차 방사선 보고서 사이의 불일치를 평가합니다.
복잡한 사례의 경우, 검토 프로세스는 합의 검토 패널 (즉, 사전 지정 된 선임 방사선 전문의, 다 학제 팀 (MDT))로 확대됩니다.
MDT는 추적 관찰 (예 : 추가 영상 검사, 적극적인 감시), 수술 절차 또는 보조 요법에 대한 조정 (치료 요법의 개시 또는 변형)을 포함한 임상 중재를 권장 할 수 있습니다.
모든 불일치 한 사례와 결과는 종단 추적 및 후속 분석을 위해 체계적으로 문서화됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
악성 종양 진단을 위한 AI 시스템의 진단 정확도
기간: 최대 90일
|
AI 시스템이 악성 병변과 비악성 병변을 구분하는 환자 수준의 진단 정확도를 측정합니다.
주요 평가 지표는 수신자 조작 특성 곡선 하면적(AUC)입니다.
주요 분석은 단측 우월성 가설 H1: AUC > 0.90을 H0: AUC <= 0.90에 대해 검정합니다.
AUC의 95% 신뢰 구간(CI) 하한값이 0.90을 초과할 경우 시험은 성공적인 것으로 간주됩니다.
|
최대 90일
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
2차 진단 성능
기간: 최대 90일
|
인공지능 시스템의 악성 대 비악성 분류에 대한 환자 수준 진단 성능을 측정합니다.
지표로는 민감도, 특이도, 양성 예측도(PPV), 음성 예측도(NPV)가 포함됩니다.
이는 전향적 분석 전에 고정된 운영 지점을 사용하여 연속적인 확률 점수로부터 계산됩니다.
|
최대 90일
|
|
병변 선별 성능
기간: 최대 90일
|
AI 시스템이 병변을 가진 환자와 병변이 없는 환자를 구분하는 환자 수준 선별 능력을 측정합니다.
이는 병변 환자(악성 또는 양성) 대 병변 없음(정상 간 또는 확산성 질환만 해당)을 비교하는 이진 분류 작업(AUC)입니다.
|
최대 90일
|
|
검출 불일치
기간: 최대 90일
|
AI-인간 협업 워크플로우에 의해 식별된 FLL(간 병변) 중 초기 방사선과 의사의 보고서에서 간과된 병변의 수를 측정합니다.
간과된 병변은 다음 세 가지 기준을 모두 충족하는 사건으로 정의됩니다: (1) AI 시스템에 의해 감지됨; (2) 초기 방사선학적 보고서에 기술되지 않음; (3) 수석 방사선과 의사/MDT 재검토를 통해 진성 병변으로 확인됨.
|
최대 90일
|
|
수정된 방사선학적 보고서
기간: 최대 90일
|
최종화된 영상의학 보고서에 발행된 공식 부록(addenda)의 수를 측정합니다.
수정된 보고서는 AI-인간 협업 검토를 기반으로 진단을 명시적으로 수정하거나 이전에 누락된 소견을 추가하는 공식 부록으로 정의됩니다.
|
최대 90일
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Yu Shi, MD PhD, Shengjing Hospital
간행물 및 유용한 링크
일반 간행물
- Cao K, Xia Y, Yao J, Han X, Lambert L, Zhang T, Tang W, Jin G, Jiang H, Fang X, Nogues I, Li X, Guo W, Wang Y, Fang W, Qiu M, Hou Y, Kovarnik T, Vocka M, Lu Y, Chen Y, Chen X, Liu Z, Zhou J, Xie C, Zhang R, Lu H, Hager GD, Yuille AL, Lu L, Shao C, Shi Y, Zhang Q, Liang T, Zhang L, Lu J. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med. 2023 Dec;29(12):3033-3043. doi: 10.1038/s41591-023-02640-w. Epub 2023 Nov 20.
- Ding W, Meng Y, Ma J, Pang C, Wu J, Tian J, Yu J, Liang P, Wang K. Contrast-enhanced ultrasound-based AI model for multi-classification of focal liver lesions. J Hepatol. 2025 Aug;83(2):426-439. doi: 10.1016/j.jhep.2025.01.011. Epub 2025 Jan 21.
- Ying H, Liu X, Zhang M, Ren Y, Zhen S, Wang X, Liu B, Hu P, Duan L, Cai M, Jiang M, Cheng X, Gong X, Jiang H, Jiang J, Zheng J, Zhu K, Zhou W, Lu B, Zhou H, Shen Y, Du J, Ying M, Hong Q, Mo J, Li J, Ye G, Zhang S, Hu H, Sun J, Liu H, Li Y, Xu X, Bai H, Wang S, Cheng X, Xu X, Jiao L, Yu R, Lau WY, Yu Y, Cai X. A multicenter clinical AI system study for detection and diagnosis of focal liver lesions. Nat Commun. 2024 Feb 7;15(1):1131. doi: 10.1038/s41467-024-45325-9.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (추정된)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
키워드
추가 관련 MeSH 약관
기타 연구 ID 번호
- SH-CMU-FLL-Intervention
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
IPD 공유 지원 정보 유형
- 연구_프로토콜
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .