Kunstig intelligent akselererer læringskurven for å mestre kontrastforbedret ultralyd av skjoldbruskknuter (AIA-CEUD-TN)
22. mars 2026 oppdatert av: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Kunstig intelligent akselererer læringskurven for å mestre skjoldbruskbilderapportering og datasystem for kontrastforbedret ultralyd
Målet med denne observasjonsstudien er å lære om læringskurven for å mestre skjoldbruskkjertelavbildningsrapporteringen og datasystemet for kontrastforsterket ultralyd ved hjelp av kunstig intelligens hos pasienter med skjoldbruskknuter. Hovedspørsmålene den tar sikte på å besvare er:
- Kan vi utvikle en kunstig intelligent programvare for å hjelpe leger med å diagnostisere skjoldbruskknuter ved hjelp av kontrastforsterket ultralyd?
- Kan kunstig intelligent redusere antall tilfeller og tid for leger å mestre den kontrastforsterkede ultralyddiagnosen av skjoldbruskknuter?
Deltakerne vil bli bedt om å gjennomgå kontrastforsterket ultralydundersøkelse og ultralydveiledet finnålsaspirasjon av skjoldbruskkjertelen. Forskere vil sammenligne antall tilfeller og tid for leger med og uten kunstig intelligent assistanse for å mestre den kontrastforsterkede ultralyddiagnosen av skjoldbruskknuter for å se om kunstig intelligent reduserer antall tilfeller og tid.
Studieoversikt
Studietype
Intervensjonell
Registrering (Faktiske)
1955
Fase
- Ikke aktuelt
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510289
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
-
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
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Studiepopulasjon
Studiepopulasjon med samme indikasjon for kontrastforsterket ultralyd og finnålsaspirasjonsbiopsi:
- Planlagt ablasjon eller kirurgi;
- Minst én mistenkelig ultralydfunksjon, slik som hypoekkoisk/svært hypoekkoisk, uregelmessig/lobulert margin, høyere enn bred, eller punkterte ekkogene foci.
Beskrivelse
Inklusjonskriterier:
- Pasienter med skjoldbruskknuter med en fast komponent ≥5 mm bekreftet ved konvensjonell ultralyd;
- Pasienter som gjennomgikk konvensjonell ultralyd, kontrastforsterket ultralyd og finnålsaspirasjonsbiopsi;
- Pasienter med endelige godartede eller ondartede patologiske resultater.
Ekskluderingskriterier:
- Pasienter med cytopatologi av Bethesda I, III eller IV og uten endelig benign eller ondartet patologi;
- Pasienter med en historie med skjoldbruskkjertelablasjon eller kirurgi;
- Pasienter med lavkvalitets ultralydbilder.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Diagnostisk
- Tildeling: N/A
- Intervensjonsmodell: Enkeltgruppeoppdrag
- Masking: Ingen (Open Label)
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Annen: Testsett
Deltakere med skjoldbruskkjertelknuter gjennomgikk kontrastforsterket ultralyd og ultralydveiledet finnålsaspirasjon i perioden januar 2021 til desember 2022 ved Sun Yat-sen Memorial Hospital of Sun Yat-sen University, Houjie Hospital of Dongguan og Affiliated Huadu Hospital of Southern Medical University.
|
Kunstig intelligens-assistert kontrastforsterket ultralyddiagnostikk av skjoldbruskkjertelknuter.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk ytelse
Tidsramme: Første uken etter primær fullføringsdato.
|
Sensitivitet, spesifisitet, positiv prediktiv verdi, negativ prediktiv verdi, nøyaktighet, areal under kurven
|
Første uken etter primær fullføringsdato.
|
|
Nødvendigheten av biopsi
Tidsramme: Første uke etter primær fullføringsdato.
|
Unødvendig biopsirate
|
Første uke etter primær fullføringsdato.
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Etterforskere
- Hovedetterforsker: Jingliang Ruan, PhD, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Haugen BR, Alexander EK, Bible KC, Doherty GM, Mandel SJ, Nikiforov YE, Pacini F, Randolph GW, Sawka AM, Schlumberger M, Schuff KG, Sherman SI, Sosa JA, Steward DL, Tuttle RM, Wartofsky L. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer: The American Thyroid Association Guidelines Task Force on Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2016 Jan;26(1):1-133. doi: 10.1089/thy.2015.0020.
- Russ G, Bonnema SJ, Erdogan MF, Durante C, Ngu R, Leenhardt L. European Thyroid Association Guidelines for Ultrasound Malignancy Risk Stratification of Thyroid Nodules in Adults: The EU-TIRADS. Eur Thyroid J. 2017 Sep;6(5):225-237. doi: 10.1159/000478927. Epub 2017 Aug 8.
- Burgos N, Zhao J, Brito JP, Hoang JK, Pitoia F, Maraka S, Castro MR, Lee JH, Singh Ospina N. Clinician Agreement on the Classification of Thyroid Nodules Ultrasound Features: A Survey of 2 Endocrine Societies. J Clin Endocrinol Metab. 2022 Jul 14;107(8):e3288-e3294. doi: 10.1210/clinem/dgac279.
- Tessler FN, Middleton WD, Grant EG, Hoang JK, Berland LL, Teefey SA, Cronan JJ, Beland MD, Desser TS, Frates MC, Hammers LW, Hamper UM, Langer JE, Reading CC, Scoutt LM, Stavros AT. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017 May;14(5):587-595. doi: 10.1016/j.jacr.2017.01.046. Epub 2017 Apr 2.
- Burgos N, Ospina NS, Sipos JA. The Future of Thyroid Nodule Risk Stratification. Endocrinol Metab Clin North Am. 2022 Jun;51(2):305-321. doi: 10.1016/j.ecl.2021.12.002. Epub 2022 May 4.
- Zhou J, Yin L, Wei X, Zhang S, Song Y, Luo B, Li J, Qian L, Cui L, Chen W, Wen C, Peng Y, Chen Q, Lu M, Chen M, Wu R, Zhou W, Xue E, Li Y, Yang L, Mi C, Zhang R, Wu G, Du G, Huang D, Zhan W; Superficial Organ and Vascular Ultrasound Group of the Society of Ultrasound in Medicine of the Chinese Medical Association; Chinese Artificial Intelligence Alliance for Thyroid and Breast Ultrasound. 2020 Chinese guidelines for ultrasound malignancy risk stratification of thyroid nodules: the C-TIRADS. Endocrine. 2020 Nov;70(2):256-279. doi: 10.1007/s12020-020-02441-y. Epub 2020 Aug 21.
- Shin JH, Baek JH, Chung J, Ha EJ, Kim JH, Lee YH, Lim HK, Moon WJ, Na DG, Park JS, Choi YJ, Hahn SY, Jeon SJ, Jung SL, Kim DW, Kim EK, Kwak JY, Lee CY, Lee HJ, Lee JH, Lee JH, Lee KH, Park SW, Sung JY; Korean Society of Thyroid Radiology (KSThR) and Korean Society of Radiology. Ultrasonography Diagnosis and Imaging-Based Management of Thyroid Nodules: Revised Korean Society of Thyroid Radiology Consensus Statement and Recommendations. Korean J Radiol. 2016 May-Jun;17(3):370-95. doi: 10.3348/kjr.2016.17.3.370. Epub 2016 Apr 14.
- Kwak JY, Han KH, Yoon JH, Moon HJ, Son EJ, Park SH, Jung HK, Choi JS, Kim BM, Kim EK. Thyroid imaging reporting and data system for US features of nodules: a step in establishing better stratification of cancer risk. Radiology. 2011 Sep;260(3):892-9. doi: 10.1148/radiol.11110206. Epub 2011 Jul 19.
- Sidhu PS, Cantisani V, Dietrich CF, Gilja OH, Saftoiu A, Bartels E, Bertolotto M, Calliada F, Clevert DA, Cosgrove D, Deganello A, D'Onofrio M, Drudi FM, Freeman S, Harvey C, Jenssen C, Jung EM, Klauser AS, Lassau N, Meloni MF, Leen E, Nicolau C, Nolsoe C, Piscaglia F, Prada F, Prosch H, Radzina M, Savelli L, Weskott HP, Wijkstra H. The EFSUMB Guidelines and Recommendations for the Clinical Practice of Contrast-Enhanced Ultrasound (CEUS) in Non-Hepatic Applications: Update 2017 (Long Version). Ultraschall Med. 2018 Apr;39(2):e2-e44. doi: 10.1055/a-0586-1107. Epub 2018 Mar 6.
- Zhang Y, Zhou P, Tian SM, Zhao YF, Li JL, Li L. Usefulness of combined use of contrast-enhanced ultrasound and TI-RADS classification for the differentiation of benign from malignant lesions of thyroid nodules. Eur Radiol. 2017 Apr;27(4):1527-1536. doi: 10.1007/s00330-016-4508-y. Epub 2016 Aug 15.
- Tang C, Fang K, Guo Y, Li R, Fan X, Chen P, Chen Z, Liu Q, Zou Y. Safety of Sulfur Hexafluoride Microbubbles in Sonography of Abdominal and Superficial Organs: Retrospective Analysis of 30,222 Cases. J Ultrasound Med. 2017 Mar;36(3):531-538. doi: 10.7863/ultra.15.11075. Epub 2017 Jan 10.
- Seifert P, Gorges R, Zimny M, Kreissl MC, Schenke S. Interobserver agreement and efficacy of consensus reading in Kwak-, EU-, and ACR-thyroid imaging recording and data systems and ATA guidelines for the ultrasound risk stratification of thyroid nodules. Endocrine. 2020 Jan;67(1):143-154. doi: 10.1007/s12020-019-02134-1. Epub 2019 Nov 18.
- Wildman-Tobriner B, Buda M, Hoang JK, Middleton WD, Thayer D, Short RG, Tessler FN, Mazurowski MA. Using Artificial Intelligence to Revise ACR TI-RADS Risk Stratification of Thyroid Nodules: Diagnostic Accuracy and Utility. Radiology. 2019 Jul;292(1):112-119. doi: 10.1148/radiol.2019182128. Epub 2019 May 21.
- Zhang B, Tian J, Pei S, Chen Y, He X, Dong Y, Zhang L, Mo X, Huang W, Cong S, Zhang S. Machine Learning-Assisted System for Thyroid Nodule Diagnosis. Thyroid. 2019 Jun;29(6):858-867. doi: 10.1089/thy.2018.0380. Epub 2019 Apr 27.
- Jin Z, Pei S, Ouyang L, Zhang L, Mo X, Chen Q, You J, Chen L, Zhang B, Zhang S. Thy-Wise: An interpretable machine learning model for the evaluation of thyroid nodules. Int J Cancer. 2022 Dec 15;151(12):2229-2243. doi: 10.1002/ijc.34248. Epub 2022 Sep 12.
- Chen Y, Gao Z, He Y, Mai W, Li J, Zhou M, Li S, Yi W, Wu S, Bai T, Zhang N, Zeng W, Lu Y, Liu H. An Artificial Intelligence Model Based on ACR TI-RADS Characteristics for US Diagnosis of Thyroid Nodules. Radiology. 2022 Jun;303(3):613-619. doi: 10.1148/radiol.211455. Epub 2022 Mar 22.
- Zhao CK, Ren TT, Yin YF, Shi H, Wang HX, Zhou BY, Wang XR, Li X, Zhang YF, Liu C, Xu HX. A Comparative Analysis of Two Machine Learning-Based Diagnostic Patterns with Thyroid Imaging Reporting and Data System for Thyroid Nodules: Diagnostic Performance and Unnecessary Biopsy Rate. Thyroid. 2021 Mar;31(3):470-481. doi: 10.1089/thy.2020.0305. Epub 2020 Sep 9.
- Zhao J, Zhou X, Shi G, Xiao N, Song K, Zhao J, Hao R, Li K. Semantic consistency generative adversarial network for cross-modality domain adaptation in ultrasound thyroid nodule classification. Appl Intell (Dordr). 2022;52(9):10369-10383. doi: 10.1007/s10489-021-03025-7. Epub 2022 Jan 13.
- Peng S, Liu Y, Lv W, Liu L, Zhou Q, Yang H, Ren J, Liu G, Wang X, Zhang X, Du Q, Nie F, Huang G, Guo Y, Li J, Liang J, Hu H, Xiao H, Liu Z, Lai F, Zheng Q, Wang H, Li Y, Alexander EK, Wang W, Xiao H. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Health. 2021 Apr;3(4):e250-e259. doi: 10.1016/S2589-7500(21)00041-8.
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 (Faktiske)
3. juni 2023
Primær fullføring (Faktiske)
2. mars 2026
Studiet fullført (Faktiske)
16. mars 2026
Datoer for studieregistrering
Først innsendt
24. juli 2023
Først innsendt som oppfylte QC-kriteriene
8. august 2023
Først lagt ut (Faktiske)
9. august 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
25. mars 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
22. mars 2026
Sist bekreftet
1. mars 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
- Sykdommer i det endokrine systemet
- Patologiske prosesser
- Neoplasmer etter nettsted
- Neoplasmer
- Neoplasmer i skjoldbruskkjertelen
- Neoplasmer i endokrine kjertel
- Neoplasmer i hode og nakke
- Skjoldbrusk sykdommer
- Patologiske tilstander, tegn og symptomer
- Skjoldbrusk nodule
- Sykdom
- Algoritmer
- Matematiske konsepter
- Kunstig intelligens
Andre studie-ID-numre
- SYSKY-2023-702-01
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
JA
IPD-planbeskrivelse
Data generert eller analysert under studien er tilgjengelig fra hovedforskeren på forespørsel.
IPD-delingstidsramme
Den første uken etter publiseringen av forskningsartiklene.
Tilgangskriterier for IPD-deling
Data generert eller analysert under studien er tilgjengelig fra hovedforskeren på forespørsel.
IPD-deling Støtteinformasjonstype
- STUDY_PROTOCOL
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. .