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

Clinical Application Value of Deep Learning-Based "Opportunistic Screening" for Malignant Tumors on Routine Non-Contrast Chest-Abdomen-Pelvis CT

30 juli 2026 bijgewerkt door: Lian Yang

This study aims to develop and validate a deep learning-based opportunistic multi-cancer screening system using routine non-contrast chest-abdomen-pelvis CT examinations, including CHANCE-Breast, CHANCE-Liver, CHANCE-Kidney, and CHANCE-Bladder, for the early detection of breast, liver, kidney, and bladder cancers. In addition, the study will assess a human-AI collaborative framework to determine its potential for improving cancer detection and reducing missed diagnoses in clinical practice.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Tumor

Studietype

Observationeel

Inschrijving (Geschat)

100000

Contacten en locaties

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

Studiecontact

Naam: Lian Yang
Telefoonnummer: 18986273791
E-mail: yanglian@hust.edu.cn

Studie Locaties

China
- Hubei
  - Wuhan, Hubei, China, 430000
    - Union Hospital，Tongji Medical College，Huazhong University of Science and Technology
    - Contact:
      
      Lian Yang
      
      Telefoonnummer: 18986273791
      
      E-mail: yanglian@hust.edu.cn

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

Kind
Volwassen
Oudere volwassene

Accepteert gezonde vrijwilligers

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patients with a confirmed diagnosis of the target malignancy who received treatment.

Beschrijving

Inclusion Criteria:

Patients with a confirmed diagnosis of the target malignancy who received treatment at our institution;
Diagnostic-quality CT images without substantial metal or motion artifacts and with complete anatomical coverage of the target organ (breast, liver, kidney, or bladder);
Availability of complete pre-treatment non-contrast CT imaging data.

Exclusion Criteria:

Non-diagnostic image quality;
Absence of a definitive reference-standard diagnosis;
Incomplete clinical or imaging data.

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

Aantal groepen / cohorten

Cohorten en interventies

Groep / Cohort
Positive Group / Malignant Cohort
Negative Control Group I / Benign Cohort
Negative Control Group II / Healthy Cohort

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Accuracy Tijdsspanne: 1.5 years	Proportion of correct classifications	1.5 years
Sensitivity Tijdsspanne: 1.5years	Proportion of true positive cases	1.5years
Specificity Tijdsspanne: 1.5years	Proportion of true negative cases	1.5years

Secundaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Delta Sensitivity (AI-assisted vs. unassisted) Tijdsspanne: 1.5years	Absolute difference in sensitivity between AI-assisted and unassisted human readings	1.5years
Delta Specificity (AI-assisted vs. unassisted) Tijdsspanne: 1.5years	Absolute difference in specificity between AI-assisted and unassisted human readings	1.5years
Delta Accuracy (AI-assisted vs. unassisted) Tijdsspanne: 1.5years	Absolute difference in accuracy between AI-assisted and unassisted human readings	1.5years

Medewerkers en onderzoekers

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

Sponsor

Lian Yang

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 (Geschat)

1 juli 2026

Primaire voltooiing (Geschat)

1 juli 2028

Studie voltooiing (Geschat)

1 juli 2028

Studieregistratiedata

Eerst ingediend

5 juni 2026

Eerst ingediend dat voldeed aan de QC-criteria