Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Ontwikkeling van een Multimodaal AI-systeem voor GIST-beheer

3 oktober 2026 bijgewerkt door: Qun Zhao

Ontwikkeling en Validatie van een Multimodaal Kunstmatige Intelligentie Model dat CT Radiomics, Pathomics en Klinische Kenmerken Integreert voor de Diagnose, Risicostratificatie en Genotypevoorspelling van Gastro-intestinale Stromale Tumoren

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.

Studie Overzicht

Toestand

Voltooid

Conditie

Interventie / Behandeling

Diagnostische toets: Multimodal AI Analysis System

Studietype

Observationeel

Inschrijving (Werkelijk)

300

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

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

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

NVT

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

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).

Beschrijving

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.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Observatiemodellen: COHORT
Tijdsperspectieven: PROSPECTIVE

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Diagnostic Accuracy of the AI Model for Distinguishing GIST from Non-GIST Tumors Tijdsspanne: 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

Secundaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Concordance Rate between AI-predicted Risk Grade and Pathological Modified NIH Criteria Tijdsspanne: 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 Tijdsspanne: 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 Tijdsspanne: 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

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Qun Zhao

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 maart 2026

Primaire voltooiing (Werkelijk)

1 juli 2026

Studie voltooiing (Werkelijk)

1 juli 2026

Studieregistratiedata

Eerst ingediend

12 februari 2026

Eerst ingediend dat voldeed aan de QC-criteria

5 maart 2026

Eerst geplaatst (Werkelijk)

6 maart 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

6 oktober 2026

Laatste update ingediend die voldeed aan QC-criteria

3 oktober 2026

Laatst geverifieerd