Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

AI-Assisted Differentiation of Pancreatic Cystic Lesions Using EUS Images and Clinical Features

30. oktober 2026 oppdatert av: Ruijin Hospital

Artificial Intelligence-Assisted Differentiation of Pancreatic Mucinous Cystic Neoplasms, Serous Cystic Neoplasms, and Pseudocysts Using Endoscopic Ultrasound Images and Clinical Features: An Ambispective Observational Study

Pancreatic mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs) often exhibit overlapping imaging features on endoscopic ultrasound (EUS). However, these conditions require different clinical management strategies. Accurate differentiation is therefore important for appropriate treatment planning.

This study aims to develop and validate an artificial intelligence (AI) model that integrates EUS images and clinical features to differentiate MCNs, SCNs, and PPCs. The study is designed as an ambispective observational diagnostic study consisting of retrospective model development, prospective temporal validation, and a reader study involving EUS physicians.

Approximately 400 adult patients with confirmed MCN, SCN, or PPC will be included. Retrospective clinical data and EUS images will be used for model development and internal validation. After model development is completed, newly diagnosed patients will be prospectively enrolled to independently evaluate the diagnostic performance of the model.

The primary outcome is the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC) for three-class classification in the prospective validation cohort. Secondary outcomes include diagnostic accuracy, sensitivity, specificity, calibration, clinical net benefit, and the performance of EUS physicians with and without AI assistance.

This study is expected to provide evidence for the potential clinical value of AI-assisted differentiation of pancreatic cystic lesions. No additional invasive procedures or study-specific treatments will be performed.

Studieoversikt

Status

Status

Indikerer gjeldende rekrutteringsstatus eller utvidet tilgangsstatus.
Har ikke rekruttert ennå

Forhold

Forhold

Sykdommen, lidelsen, syndromet, sykdommen eller skaden som studeres. På ClinicalTrials.gov kan tilstander også inkludere andre helserelaterte problemer, som levetid, livskvalitet og helserisiko.

Detaljert beskrivelse

This study is an ambispective observational diagnostic study designed to develop and independently validate a multimodal artificial intelligence (AI) model for differentiating pancreatic mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs) using endoscopic ultrasound (EUS) images and clinical features.

**Study Design**

Approximately 400 adult patients with a final diagnosis of MCN, SCN, or PPC will be included. The study consists of two stages: retrospective model development and prospective temporal validation. A reader study will also be conducted to evaluate the potential benefits of AI assistance for EUS physicians.

**Stage 1: Retrospective Model Development**

Approximately 310 patients will be retrospectively identified from existing clinical databases. EUS images, clinical characteristics available before EUS examination, and final diagnostic information will be collected.

MCN and SCN diagnoses will be established using surgical or histopathological findings. PPC will be diagnosed according to a predefined composite reference standard based on clinical history, imaging findings, and other relevant diagnostic evidence.

Separate models will be developed using EUS images alone, clinical features alone, and the combination of EUS images and clinical features. Multiple EUS images from the same patient will be aggregated to generate a single patient-level prediction. Patient-level stratified cross-validation will be used for internal validation, with measures implemented to prevent data leakage.

**Stage 2: Prospective Temporal Validation**

After the AI model and analysis procedures have been finalized, approximately 80-100 consecutive eligible patients will be prospectively enrolled for independent temporal validation. These patients will not be used for model training, feature selection, or parameter optimization.

The primary outcome will be the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC) for three-class classification of MCN, SCN, and PPC. Each disease category will be evaluated using a one-vs-rest approach, and the three AUROC values will be averaged. A 95% confidence interval will be estimated using bootstrap resampling.

Secondary evaluations will include overall accuracy, macro-F1 score, weighted F1 score, class-specific sensitivity, specificity, positive predictive value, negative predictive value, model calibration, and clinical net benefit.

**Reader Study**

EUS physicians with different levels of experience will independently evaluate selected cases. Diagnostic performance will be compared among physicians without AI assistance, the AI model alone, and physicians with AI assistance. Diagnostic confidence, interobserver agreement, and interpretation time will also be assessed.

**Model Interpretability**

Gradient-weighted class activation mapping (Grad-CAM) or attention-based visualization will be used to identify image regions contributing to model predictions. Shapley additive explanations (SHAP) will be used to evaluate the contributions of clinical variables.

Exploratory analyses will investigate model performance across predefined patient subgroups, the potential incremental value of EUS videos, and differences among pathological subtypes of MCN.

**Clinical Procedures and Patient Safety**

All EUS examinations, pathological assessments, and clinical treatments will be performed according to routine clinical practice. No additional invasive procedures or study-specific therapeutic interventions will be required. AI predictions during prospective validation will not be used to guide clinical decisions.

Studietype

Studietype

Beskriver arten av en klinisk studie. Studietyper inkluderer intervensjonsstudier (også kalt kliniske studier), observasjonsstudier (inkludert pasientregistre) og utvidet tilgang.
Observasjonsmessig

Registrering (Antatt)

Registrering

Antall deltakere i en klinisk studie. Den "forventede" påmeldingen er måltallet for deltakere som forskerne trenger for studien.
400

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiekontakt

Navn og kontaktinformasjon for personen som kan svare på påmeldingsspørsmål for en klinisk studie. Hvert sted hvor studien gjennomføres kan også ha en spesifikk kontakt, som kan være bedre i stand til å svare på disse spørsmålene.

Studiesteder

  • Kina
    • Shanghai Municipality
      • Shanghai, Shanghai Municipality, Kina, 200025
        • Ruijin Hospital, Shanghai Jiao Tong University School of Medicine

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Kvalifikasjonskriterier

Nøkkelkravene som personer som ønsker å delta i en klinisk studie må oppfylle eller egenskapene de må ha. Kvalifikasjonskriterier består av både inklusjonskriterier (som kreves for at en person skal delta i studien) og eksklusjonskriterier (som hindrer en person i å delta). Typer kvalifikasjonskriterier inkluderer om en studie godtar friske frivillige, har alders- eller aldersgruppekrav, eller er begrenset av kjønn.

Alder som er kvalifisert for studier

18 år og eldre (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

The study population will consist of approximately 400 adult patients aged 18 years or older with a final diagnosis of pancreatic mucinous cystic neoplasm (MCN), serous cystic neoplasm (SCN), or pancreatic pseudocyst (PPC) who have undergone endoscopic ultrasound (EUS) at Ruijin Hospital, Shanghai Jiao Tong University School of Medicine. Approximately 310 retrospective patients will be identified from existing clinical records for AI model development and internal validation. An additional 80-100 eligible patients will be consecutively enrolled for prospective temporal validation after model finalization. MCN and SCN diagnoses will be confirmed by pathology, whereas PPC diagnoses will be established using a predefined composite reference standard. Each patient will contribute one independent study sample regardless of the number of available EUS images.

Beskrivelse

Inclusion Criteria:

  • **Inclusion Criteria:**

    1. Adults aged 18 years or older, regardless of sex.
    2. Patients who have undergone endoscopic ultrasound (EUS) examination.
    3. A final diagnosis of pancreatic mucinous cystic neoplasm (MCN), serous cystic neoplasm (SCN), or pancreatic pseudocyst (PPC).
    4. For MCN and SCN, a confirmed diagnosis based on surgical or histopathological findings.
    5. For PPC, a diagnosis established according to a predefined composite reference standard incorporating clinical history, imaging findings, and relevant diagnostic evidence.
    6. Availability of at least one EUS image clearly showing the target lesion.
    7. EUS examination performed before surgery, ablation, drainage, or other treatment of the target lesion.
    8. Availability of essential clinical information corresponding to the EUS examination.
    9. For the prospective validation cohort, enrollment after model finalization and provision of written informed consent according to the approved ethics protocol.

**Exclusion Criteria:**

  1. Severely degraded EUS image quality preventing reliable identification of the target lesion.
  2. Availability of only post-treatment or postoperative EUS images, without pretreatment imaging.
  3. Lack of reliable pathological confirmation for MCN or SCN.
  4. Inability to establish a clear correspondence between the EUS images and the pathologically confirmed lesion.
  5. Uncertain or disputed final diagnosis that remains unresolved after expert review.
  6. Concurrent pancreatic cystic neoplasms for which the target lesion cannot be clearly identified.
  7. Other pancreatic lesions, including intraductal papillary mucinous neoplasms (IPMNs), solid pseudopapillary neoplasms (SPNs), cystic neuroendocrine tumors, or cystic degeneration of solid tumors.
  8. Substantial missing clinical information preventing multimodal analysis.
  9. Refusal to provide or withdrawal of informed consent during the prospective phase.

Exclusion Criteria:

-

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Observasjonsmodeller: COHORT
  • Tidsperspektiver: OTHER

Kohorter og intervensjoner

Gruppe / Kohort

Gruppe / Kohort

En gruppe eller undergruppe av deltakere i en observasjonsstudie som vurderes for biomedisinske eller helsemessige utfall.
Mucinous Cystic Neoplasm (MCN)

Adult patients with pancreatic mucinous cystic neoplasms (MCNs) confirmed by surgical or histopathological examination. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.
Serous Cystic Neoplasm (SCN)

Adult patients with pancreatic serous cystic neoplasms (SCNs) confirmed by surgical or histopathological examination. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.
Pancreatic Pseudocyst (PPC)

Adult patients diagnosed with pancreatic pseudocysts (PPCs) according to a predefined composite reference standard incorporating clinical history, imaging findings, and relevant diagnostic evidence. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.

Hva måler studien?

Primære resultatmål

Primære resultatmål

I en klinisk studies protokoll er det planlagte utfallsmålet som er det viktigste for å evaluere effekten av en intervensjon/behandling. De fleste kliniske studier har ett primært utfallsmål, men noen har mer enn ett.
Resultatmål
Tiltaksbeskrivelse
Tidsramme
Patient-Level Macro-AUROC of the Multimodal AI Model for Three-Class Classification of MCN, SCN, and PPC
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The diagnostic performance of the locked multimodal artificial intelligence (AI) model will be evaluated in an independent prospective temporal validation cohort using the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC). One-vs-rest AUROC will be calculated separately for mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs). The three AUROC values will then be averaged with equal weighting. Each patient will contribute one final prediction, and 95% confidence intervals will be estimated using bootstrap resampling. Higher values indicate better discrimination.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Sekundære resultatmål

Sekundære resultatmål

I en klinisk studies protokoll, et planlagt utfallsmål som ikke er like viktig som det primære utfallsmålet for å evaluere effekten av en intervensjon, men som fortsatt er av interesse. De fleste kliniske studier har mer enn ett sekundært utfallsmål.
Resultatmål
Tiltaksbeskrivelse
Tidsramme
Overall Patient-Level Classification Accuracy of the AI Model
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Overall accuracy will be calculated as the proportion of patients correctly classified as MCN, SCN, or PPC among all patients evaluated in the prospective validation cohort. Accuracy will be reported as a percentage with a 95% confidence interval.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Macro-Averaged F1 Score of the AI Model
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The F1 score will be calculated separately for MCN, SCN, and PPC using the harmonic mean of precision and recall. The macro-F1 score will be calculated as the unweighted average of the three class-specific F1 scores. Values range from 0 to 1, with higher values indicating better classification performance.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Difference in Patient-Level Macro-AUROC Between Multimodal and Unimodal AI Models
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The difference in patient-level macro-AUROC between the locked multimodal AI model and each unimodal model (EUS image-only and clinical feature-only) will be calculated in the independent prospective validation cohort. Each comparison will be reported as the arithmetic difference in macro-AUROC, with positive values indicating better discrimination by the multimodal model.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Calibration Intercept of the Multimodal AI Model
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The calibration intercept of the locked multimodal AI model will be estimated in the prospective validation cohort to assess systematic overestimation or underestimation of predicted probabilities. A value closer to 0 indicates better calibration.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Change in Physicians' Diagnostic Accuracy With AI Assistance
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

EUS physicians with different levels of experience will evaluate cases with and without AI assistance. The primary measure for the reader study will be the paired difference in patient-level three-class diagnostic accuracy between AI-assisted and unaided interpretation. Additional reader outcomes will include macro-AUROC, macro-F1 score, diagnostic confidence, interobserver agreement, and interpretation time.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Difference in Patient-Level Classification Accuracy Between Multimodal and Unimodal AI Models
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The difference in overall patient-level classification accuracy between the locked multimodal AI model and each unimodal model (EUS image-only and clinical feature-only) will be calculated in the independent prospective validation cohort. Differences will be expressed in percentage points, with positive values indicating higher accuracy for the multimodal model.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Calibration Slope of the Multimodal AI Model
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The calibration slope of the locked multimodal AI model will be estimated in the prospective validation cohort to assess the agreement between the spread of predicted probabilities and observed outcomes. A value closer to 1 indicates better calibration.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Multiclass Brier Score of the Multimodal AI Model
Tidsramme: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The multiclass Brier score will be calculated as the mean, across patients, of the sum of squared differences between the predicted probabilities for MCN, SCN, and PPC and their corresponding observed class indicators. The unnormalised score ranges from 0 to 2, with lower values indicating better probabilistic predictions.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Sponsor

Organisasjonen eller personen som initierer studien og som har myndighet og kontroll over studien.
Ruijin Hospital

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Antatt)

Studiestart

Den faktiske datoen da den første deltakeren ble registrert i en klinisk studie. Den "forventede" studiestartdatoen er datoen som forskerne tror vil være studiestartdatoen.
1. november 2026

Primær fullføring (Antatt)

Primær fullføring

Datoen da den siste deltakeren i en klinisk studie ble undersøkt eller mottok en intervensjon for å samle inn endelige data for det primære utfallsmålet. Hvorvidt den kliniske studien ble avsluttet i henhold til protokollen eller ble avsluttet, påvirker ikke denne datoen. For kliniske studier med mer enn ett primært utfallsmål med ulike fullføringsdatoer, refererer dette begrepet til datoen da datainnsamlingen er fullført for alle de primære utfallsmålene. Den "forventede" primære fullføringsdatoen er datoen som forskerne tror vil være den primære fullføringsdatoen for studien.
30. juni 2028

Studiet fullført (Antatt)

Studiet fullført

Datoen da den siste deltakeren i en klinisk studie ble undersøkt eller mottok en intervensjon/behandling for å samle inn endelige data for de primære utfallsmålene, sekundære utfallsmålene og uønskede hendelsene (det vil si siste deltakers siste besøk). Den "forventede" studiens fullføringsdato er datoen som forskerne tror vil være studiens fullføringsdato.
30. desember 2028

Datoer for studieregistrering

Først innsendt

Først innsendt

Datoen da studiesponsoren eller etterforskeren først sendte inn en studiepost til ClinicalTrials.gov. Det er vanligvis en forsinkelse på noen dager mellom første innsendte dato og postens tilgjengelighet på ClinicalTrials.gov (den første postedatoen).
22. oktober 2026

Først innsendt som oppfylte QC-kriteriene

Først innsendt som oppfylte QC-kriteriene

Datoen da studiesponsoren eller etterforskeren først sender inn en studiepost som er i samsvar med gjennomgangskriteriene for National Library of Medicine (NLM) kvalitetskontroll (QC). Sponsoren eller etterforskeren må kanskje revidere og sende inn en studiepost én eller flere ganger før NLMs kvalitetskontrollkriterier oppfylles. Det er sponsorens eller etterforskerens ansvar å sikre at studieposten er i samsvar med NLM QC-gjennomgangskriteriene.
30. oktober 2026

Først lagt ut (Faktiske)

Først lagt ut

Datoen da studieposten først var tilgjengelig på ClinicalTrials.gov etter at National Library of Medicine (NLM) kvalitetskontroll (QC) gjennomgang har konkludert. Det er vanligvis en forsinkelse på noen dager mellom datoen studiesponsoren eller etterforskeren sendte inn studieposten og den første postedatoen.
5. november 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

Sist oppdatering lagt ut

Den siste datoen da endringer i en studiepost ble gjort tilgjengelig på ClinicalTrials.gov. Det kan være en forsinkelse mellom når endringene ble sendt til ClinicalTrials.gov av studiens sponsor eller etterforsker (datoen for siste innsending av oppdatering) og datoen for siste oppdatering.
5. november 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

Siste oppdatering sendt inn som oppfylte QC-kriteriene

Den siste datoen da studiesponsoren eller etterforskeren sendte inn endringer i en studiepost som er i samsvar med gjennomgangskriteriene for National Library of Medicine (NLM) kvalitetskontroll (QC). Det er sponsorens eller etterforskerens ansvar å sikre at studieposten er i samsvar med NLM QC-gjennomgangskriteriene.
30. oktober 2026

Sist bekreftet

Sist bekreftet

Den siste datoen da studiesponsoren eller etterforskeren bekreftet at informasjonen om en klinisk studie på ClinicalTrials.gov var nøyaktig og oppdatert. Hvis en studie med rekrutteringsstatus for rekruttering; ikke rekrutterer ennå; eller aktiv, ikke rekruttering har ikke blitt bekreftet de siste 2 årene, studiens rekrutteringsstatus vises som ukjent.
1. oktober 2026

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

Andre studie-ID-numre

Identifikatorer eller ID-numre andre enn NCT-nummeret som er tildelt en klinisk studie av studiens sponsor, finansierere eller andre. Disse tallene kan inkludere unike identifikatorer fra andre prøveregistre og National Institutes of Health-stipendnumre.
  • MR-31-26-085874

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Innstillinger for informasjonskapsler

Vi bruker informasjonskapsler for å sikre at vi gir deg den beste opplevelsen på nettstedet vårt. For mer informasjon, les nøye vår Retningslinjer for personvern og informasjonskapsler. ...>>>Du kan når som helst endre preferansene dine eller trekke tilbake samtykket ditt ved å slette informasjonskapslene fra nettstedet ditt eller datamaskinen som beskrevet i policyen. Godta det og velg dine preferanser ved å krysse av i de tilhørende rutene i delen "Administrer innstillinger" nedenfor. Les nøye gjennom servicevilkårene før du fortsetter å bruke noen del av dette nettstedet.
«Administrer innstillinger