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

Abdominal CT kombinert med AI for tidlig screening av leverkreft (LEAF)

12. september 2026 oppdatert av: TingBo Liang, Zhejiang University

Klinisk forskning på bruk av abdominal CT kombinert med AI for tidlig screening

Denne studien planlegger å benytte flerfasekontrastforbedret og ikke-kontrast CT （Computertomografi） bilder fra 10000 patologisk bekreftet levertumorpasienter på sykehuset vårt. En AI （Kunstig intelligens）-modell vil bli brukt til å skissere 3D-konturene av levermasser, som deretter vil bli foredlet av radiologer og hepatobiliary-pancreatic kirurger for å forbedre modellens nøyaktighet. Ved å inkorporere flere avbildningsdata vil modellens gjenkjennelsesegenskaper bli forbedret, legge grunnlaget for potensielle kliniske studier og som tar sikte på å etablere en overlegen AI -modell for screening av tidlig leverkreft basert på CT -avbildning.

Studieoversikt

Status

Aktiv, ikke rekrutterende

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Dette forskningsprosjektet har til hensikt å bruke flerfase kontrastforbedrede og ikke-kontrast CT-bilder fra 10000 pasienter med et fullt spekter av leversvulster (for eksempel HCC （hepatocellulær karsinolog）, sykehus. Gjennom en forhåndsetablert AI-modell vil 3D-konturene av forskjellige levermasser bli avgrenset. I samarbeid med seniorleger fra sykehusets radiologiavdeling og hepatobiliary pancreatic Surgery Department, vil AI-tegnet konturene bli foredlet for å oppnå mer nøyaktige 3D-massemodeller, og dermed forbedre valideringseffekten til modellen. Ved å inkorporere mer radiologiske data, vil modellens presisjon bli forbedret, øke dens gjenkjennelsesevne og legge et solid fundament for påfølgende prospektive kliniske studier. Det endelige målet er å etablere en overlegen AI -modell for tidlig screening av leverkreft basert på CTImaging.

Studietype

Intervensjonell

Registrering (Antatt)

2500

Fase

  • Ikke aktuelt

Kontakter og plasseringer

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

Studiesteder

  • Kina
    • Zhejiang
      • Hangzhou, Zhejiang, Kina, 310009
        • the First Affiliated Hospital, School of Medicine, Zhejiang 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

Ja

Beskrivelse

Inkluderingskriterier:

  • Fra 2019 til 2030 har sykehuset vårt samlet ikke-kontrast og kontrastforbedrede CT-bilder fra pasienter med et fullt spekter av leversvulster (som HCC, ICC, Meta, etc.), alle bekreftet av Pathological Gold Standard

Eksklusjonskriterier:

  • Pasienter som har gjennomgått øvre abdominal kirurgi. Eksempler inkluderer post-ACP (endoskopisk retrograd kolangiopankreatografi) for bukspyttkjertelen, post-ekstern dreneringskirurgi, spiserørskirurgi og gastrektomi, blant andre.
  • Pasienter som har fått systemiske behandlinger som cellegift eller tradisjonell kinesisk medisin. Eksempler inkluderer cellegift for lymfom, cellegift for leukemi, cellegift for lungekreft og omfattende behandling av leverkreft, etc.
  • Pasienter med CT-bilder av dårlig kvalitet. Eksempler inkluderer konvolusjonsgjenstander forårsaket av manglende evne til å plassere hendene på sidene av kroppen og luftveiene på grunn av dårlig pusting, etc.

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
Eksperimentell: LEAF
Patients diagnosed with liver cirrosis or those with extrahepatic malignant tumors will be enrolled within three weeks. Non-contrast chest and abdominal CT scans will be simultaneously reviewed by radiologists in routine clinical workflow and processed by LEAF in real-time. Daily logs of LEAF-positive alerts will be maintained by the research team. A prespecified clinical action committee composed of hepatobiliary surgeons and abdominal radiologists will review the case to assess whether the AI finding warrants communication to the treating physician of these patients. For patients with suspected malignant liver tumors, the committee's consensus on the presence of suspicious lesions will be communicated to their attending physicians, who will then decide whether additional diagnostic assessment is indicated according to standard clinical practice.
Enhet: LEAF(Liver tumor dEtection And classiFication AI)
The LEAF (Liver tumor dEtection And classiFication AI) model will assist in image interpretation. Patients with positive results for liver malignancy while not reported in standard-of-care CT report will be reviewed by a prespecified clinical action committee composed of hepatobiliary surgeons and abdominal radiologists will review the case and decide whether the AI finding warrants communication to the treating physician of these patients. For patients with suspected malignant liver tumors, the committee's consensus on the presence of suspicious lesions will be communicated to their attending physicians, who will then decide whether additional diagnostic assessment is indicated according to standard clinical practice, while remaining blinded to the LEAF results. The standard radiology workflow will not be altered by the study, and LEAF will be evaluated as a risk-stratification and case-flagging tool rather than a replacement for radiologist interpretation.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Detection accuracy in liver tumor assisted by LEAF (Liver tumor dEtection And classiFication AI)
Tidsramme: Within 4 weeks after enrollment
Sensitivity, specificity of liver malignancy identification (defined as liver malignancy vs. liver benign tumor and non-tumor)
Within 4 weeks after enrollment

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
AI diagnostic performance: patient-level Positive Predictive Value (PPV) and Negative Predictive Value (NPV) of liver malignancy identification
Tidsramme: Within 4 weeks after enrollment
Within 4 weeks after enrollment
Clinical utility: number of AI-detected and originally overlooked liver malignant lesions
Tidsramme: Within 4 weeks after enrollment
recalled and pathologically confirmed
Within 4 weeks after enrollment

Samarbeidspartnere og etterforskere

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

Sponsor

Zhejiang University

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)

17. juli 2026

Primær fullføring (Faktiske)

12. august 2026

Studiet fullført (Antatt)

10. november 2026

Datoer for studieregistrering

Først innsendt

28. februar 2025

Først innsendt som oppfylte QC-kriteriene

4. mars 2025

Først lagt ut (Faktiske)

5. mars 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

15. september 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

12. september 2026

Sist bekreftet

1. mars 2026

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • LEAF

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. .

Abonnere