Datastøttet diagnose for hepatocellulær karsinom mikrovaskulær invasjon (HCC-MVI-CAD)
5. september 2025 oppdatert av: Di Dong, Chinese Academy of Sciences
Utvikling av et datastøttet diagnosesystem for hepatocellulær karsinom mikrovaskulær invasjon basert på preoperativ bildeanalyse
Hepatocellular carcinoma (HCC) is a common malignancy in China with a high mortality rate. Its early recurrence and long-term prognosis are closely associated with tumor aggressiveness. Mikrovaskulær invasjon (MVI), definert som tilstedeværelsen av tumorceller i små grener av portalen eller levervener, er en nøkkelindikator på ondartet biologisk atferd i HCC. Klinisk er MVI sterkt korrelert med postoperativ tidlig tilbakefall og fungerer som en viktig faktor for å bestemme kirurgisk marginforlengelse, adjuvansbehandling og postoperative styringsstrategier.
For tiden er definitiv diagnose av MVI fortsatt avhengig av postoperativ patologisk undersøkelse, og stabile, effektive preoperative vurderingsmetoder mangler. Selv om noen studier har forsøkt å forutsi MVI ved bruk av preoperative avbildningsfunksjoner, forblir deres kliniske oversettelse begrenset av dårlig generaliserbarhet, svak tolkbarhet og utilstrekkelig tilpasningsevne på tverrsenter.
Denne studien tar sikte på å utnytte flerfase preoperativ CT-avbildning, kunstig intelligensteknikker og klinisk forkunnskap for å utvikle et høyytelses, generaliserbar og tolkbar datastøttet diagnostisk system for preoperativ prediksjon av HCC-MVI. En observasjonell, prospektiv evaluering vil bli utført for å vurdere systemytelse og for å lette den kliniske oversettelsen av intelligente diagnostiske teknologier i den virkelige verden.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
Detaljert beskrivelse
Hepatocellulært karsinom (HCC) er en vanlig malignitet i Kina med høy dødelighet. Tidlig tilbakefall og langsiktig prognose er nært knyttet til tumor aggressivitet. Mikrovaskulær invasjon (MVI), definert som tilstedeværelsen av tumorceller i små grener av portalen eller leverårene, er en kritisk markør for ondartet biologisk atferd. Klinisk er MVI sterkt assosiert med tidlig postoperativ tilbakefall og fungerer som en viktig referanse for å bestemme kirurgisk marginforlengelse, adjuvansbehandling og postoperative styringsstrategier. For øyeblikket er definitiv diagnose av MVI fortsatt avhengig av postoperativ patologisk undersøkelse, og pålitelige preoperative vurderingsmetoder mangler. Selv om tidligere studier har forsøkt å forutsi MVI ved bruk av preoperativ avbildning, forblir deres kliniske anvendelse begrenset av dårlig generaliserbarhet, svak tolkbarhet og utilstrekkelig tilpasningsevne på tvers av senter.
Denne studien tar sikte på å utvikle et høyytelses, generaliserbart og tolkbart datastøttet diagnostisk (CAD) system for preoperativ prediksjon av HCC-MVI ved bruk av flerfase CT-avbildning, kunstig intelligensteknikker og klinisk forkunnskap. Systemet vil bli evaluert prospektivt i en observasjonell, multisenter klinisk studie for å vurdere dens diagnostiske verdi og kliniske anvendbarhet.
CAD-systemet integrerer tre kategorier av avbildningsfunksjoner: (1) representasjoner på høyt nivå automatisk trukket ut av dype nevrale nettverk; (2) forhåndsdefinerte radiomiske funksjoner som tumormorfologi, tekstur og intensitetsfordelinger; og (3) strukturerte tidligere funksjoner avledet fra radiologisk kompetanse, inkludert tumormargin uskarphet og romlige forhold til tilstøtende portalårer. Sparsomme begrensninger og redundansundertrykkelsesmekanismer vil bli brukt for å identifisere stabile og effektive MVI-relaterte representasjoner. I tillegg vedtar systemet en romlig domenestrategi som dekker tumor, peritumorale og fjerne regioner, for å fange invasjonsmønstre fra både lokal morfologi og mikro -miljø -kontekst, og dermed konstruere reproduserbare og klinisk tolkbare avbildningsbiomarkører.
For å overvinne begrensningene i enkeltdomenemodeller, benytter systemet en heterogen fusjonsstrategi med flere kilder som integrerer morfologiske-textural funksjoner, dynamiske forbedringsmønstre og romlige grafstrukturer. Modellarkitekturen kombinerer konvolusjonelle nevrale nettverk (CNN) for å fange finkornede teksturer, transformatormoduler for å modellere langdistanseavhengigheter og tegne nevrale nettverk (GNN) for å representere tumor-vaskulære topologiske forhold. Denne hybridtilnærmingen muliggjør omfattende forståelse av både lokale detaljer og globale strukturer. Videre inkorporerer modellen usikkerhetskvantifisering og oppmerksomhetslignende mekanismer for å dynamisk justere prediksjonens tillit og generere salg av salg. Disse utgangene er designet for å forbedre klinikernes tolkbarhet og tillit til systemet. Et interaktivt visualiseringsgrensesnitt vil også bli utviklet for å støtte risikotolkning og kirurgisk planlegging.
Studien vil utføre en prospektiv observasjonsvalidering på tvers av flere kliniske sentre, med enhetlige inkluderings-/eksklusjonskriterier og standardiserte datainnsamlingsprotokoller. Modellforutsigelser vil bli blindt sammenlignet med postoperative patologiske resultater. I tillegg til konvensjonelle beregninger (nøyaktighet, følsomhet, spesifisitet og AUC), vil studien observere observasjonsmessige virkningen av modellbaserte prediksjoner på preoperativ risikostratifisering og kirurgisk beslutningstaking. Ved å teste systemet på tvers av forskjellige pasientpopulasjoner, tar studien som mål å bekrefte dets generaliserbarhet, kliniske nytteverdi og potensial for oversettelse av den virkelige verden av intelligente diagnostiske teknologier.
Studietype
Observasjonsmessig
Registrering (Antatt)
400
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Di Dong, Ph.D.
- Telefonnummer: +86 13811833760
- E-post: di.dong@ia.ac.cn
Studer Kontakt Backup
- Navn: Mengjie Fang, Ph.D.
- Telefonnummer: +86 18500909634
- E-post: fangmengjie2015@ia.ac.cn
Studiesteder
-
-
-
Beijing, Kina
- Rekruttering
- Peking Union Medical College Hospital
-
Ta kontakt med:
- Yilei Mao
-
Beijing, Kina
- Rekruttering
- Beijing Youan Hospital
-
Ta kontakt med:
- Hongjun Li
-
Beijing, Kina
- Rekruttering
- Beijing Tsinghua Changgeng Hospital
-
Ta kontakt med:
- Zhuozhao Zheng
-
Shanghai, Kina
- Rekruttering
- Eastern Hepatobiliary Surgery Hospital
-
Ta kontakt med:
- Yabo Jiang
-
-
Fujian
-
Fuzhou, Fujian, Kina
- Rekruttering
- Meng Chao Hepatobiliary Hospital of Fujian Medical University
-
Ta kontakt med:
- Xiaolong Liu
-
-
Guangdong
-
Guangzhou, Guangdong, Kina
- Rekruttering
- Guangdong Provincial Hospital of Traditional Chinese Medicine
-
Ta kontakt med:
- Junming He
-
Guangzhou, Guangdong, Kina
- Rekruttering
- Zhujiang Hospital
-
Ta kontakt med:
- Shihua Fang
-
Zhuhai, Guangdong, Kina
- Rekruttering
- Zhuhai People's Hospital
-
Ta kontakt med:
- Sirui Fu
-
Zhuhai, Guangdong, Kina
- Rekruttering
- Fifth Affiliated Hospital, Sun Yat-Sen University
-
Ta kontakt med:
- Jian Li
-
-
Guangxi
-
Nanning, Guangxi, Kina
- Rekruttering
- First Affiliated Hospital of Guangxi Medical University
-
Ta kontakt med:
- Yidi Chen
-
-
Guizhou
-
Guiyang, Guizhou, Kina
- Rekruttering
- Guizhou Provincial People's Hospital
-
Ta kontakt med:
- Rongpin Wang
-
-
Henan
-
Zhengzhou, Henan, Kina
- Rekruttering
- Henan Provincial People's Hospital
-
Ta kontakt med:
- Deyu Li
-
-
Liaoning
-
Shenyang, Liaoning, Kina
- Rekruttering
- Shengjing Hospital
-
Ta kontakt med:
- Meng Niu
-
-
Sichuan
-
Chengdu, Sichuan, Kina
- Rekruttering
- West China Hospital
-
Ta kontakt med:
- Hanyu Jiang
-
Dazhou, Sichuan, Kina
- Rekruttering
- Dazhou Central Hospital
-
Ta kontakt med:
- Jie Liu
-
-
Yunnan
-
Kunming, Yunnan, Kina
- Rekruttering
- Yunnan Cancer Hospital
-
Ta kontakt med:
- Yong Zha
-
Kunming, Yunnan, Kina
- Rekruttering
- The First People's Hospital of Yunnan Province
-
Ta kontakt med:
- Yun Jin
-
Kunming, Yunnan, Kina
- Rekruttering
- First Affiliated Hospital of Kunming Medical University
-
Ta kontakt med:
- Bo He
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Gang Chen
-
-
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
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen består av voksne pasienter (≥ 18 år) med hepatocellulært karsinom som gjennomgår kurativ intensjon kirurgisk behandling, inkludert leverreseksjon eller levertransplantasjon, ved deltakende kliniske sentre.
Omtrent 5 000 tilbakefall i ettertid og 400 potensielle tilfeller vil bli inkludert.
Alle deltakerne vil ha preoperativ flerfase CT -avbildning og postoperativ patologisk evaluering med dokumentert mikrovaskulær invasjon (MVI) status.
Beskrivelse
Inkluderingskriterier:
- Alder ≥ 18 år.
- Bekreftet diagnose av hepatocellulært karsinom (HCC) i henhold til de kinesiske retningslinjene for klinisk praksis for primær leverkreft.
- Kvalifisert for kirurgisk inngrep (leverreseksjon eller levertransplantasjon) i henhold til de kinesiske retningslinjene for klinisk praksis for kreft, inkludert stadier IA, IB og IIA.
- Preoperativ avbildningsundersøkelse utført innen 1 måned før operasjonen.
- Tilgjengeligheten av histopatologisk evaluering med dokumentert mikrovaskulær invasjon (MVI) status.
Eksklusjonskriterier:
- Historie om tidligere antitumorbehandling, inkludert preoperativ kirurgisk intervensjon, transarteriell kjemoembolisering (TACE), radiofrekvensablasjon (RFA), systemisk terapi eller annen preoperativ intervensjon.
- Tilstedeværelse av større vaskulær invasjon, invasjon av gallegang/trombose, ekstrahepatisk metastase eller lymfeknuteinvolvering.
- Diffus hepatocellulært karsinom eller tumorbrudd med blødning.
- Mangel på nøkkeldata som kreves for primæranalyse.
- Dårlig bildekvalitet som forhindrer pålitelig kvalitativ analyse eller radiomikkanalyse.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Peking Union Medical College Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Første tilknyttede sykehus ved Kunming Medical University
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Beijing Youan Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Zhujiang Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Meng Chao Hepatobiliary Hospital ved Fujian Medical University
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Første tilknyttede sykehus ved Wenzhou Medical University
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Femte tilknyttet sykehus, Sun Yat-Sen University
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Henan Provincial People's Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Guangdong Provincial Hospital of Traditional Chinese Medicine
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Shengjing sykehus
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Beijing Tsinghua Changgeng sykehus
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Yunnan Cancer Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Det første folks sykehus i Yunnan -provinsen
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Guizhou Provincial People's Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Første tilknyttede sykehus ved Guangxi Medical University
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
West China Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Zhuhai People's Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Dazhou Central Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
|
Eastern Hepatobiliary Surgery Hospital
Pasienter i alderen 18 år og eldre som gjennomgår kirurgisk reseksjon for hepatocellulært karsinom med tilgjengelig patologisk evaluering av mikrovaskulær invasjon.
Vi vil samle preoperative flerfase CT -bilder, kliniske egenskaper og patologiske utfall.
|
Denne intervensjonen er et kunstig intelligensbasert datastøttet diagnose (CAD) -system utviklet for å forutsi mikrovaskulær invasjon (MVI) hos pasienter med hepatocellulært karsinom ved bruk av preoperativ flerfase CT-avbildning.
Systemet integrerer dyp læring, radiomikk og ekspertdefinerte avbildningsfunksjoner for å gi risikovurdering og visualisering av MVI før operasjonen.
I denne studien vil CAD -systemet bli evaluert retrospektivt og prospektivt på en observasjonell måte.
Resultatene vil ikke påvirke klinisk beslutningstaking eller pasienthåndtering, og alle behandlinger vil følge standard for omsorg.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Område under mottakerens driftskarakteristiske kurve (AUC)
Tidsramme: Innen 1 måned etter operasjonen
|
AUC vil bli beregnet ved å sammenligne CAD -systemforutsigelser med referansestandarden for postoperativ patologisk diagnose av mikrovaskulær invasjon i hepatocellulært karsinom.
|
Innen 1 måned etter operasjonen
|
|
Nøyaktighet
Tidsramme: Innen 1 måned etter operasjonen
|
Nøyaktighet vil bli definert som andelen riktig klassifiserte tilfeller (både MVI-positive og MVI-negative) av CAD-systemet sammenlignet med postoperativ patologi.
|
Innen 1 måned etter operasjonen
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhet
Tidsramme: Innen 1 måned etter operasjonen
|
Følsomhet vil bli beregnet som andelen av ekte positive MVI -tilfeller riktig identifisert av CAD -systemet sammenlignet med postoperativ patologi.
|
Innen 1 måned etter operasjonen
|
|
Spesifisitet
Tidsramme: Innen 1 måned etter operasjonen
|
Spesifisitet vil bli beregnet som andelen av ekte negative MVI -tilfeller riktig identifisert av CAD -systemet sammenlignet med postoperativ patologi.
|
Innen 1 måned etter operasjonen
|
|
Kalibrering
Tidsramme: Innen 1 måned etter operasjonen
|
Kalibreringsytelse vil bli vurdert ved bruk av kalibreringskurver, Hosmer-Lemeshow Goodness-of-Fit-tester og Brier-score, for å bestemme enighet mellom forutsagte sannsynligheter og observerte MVI-utfall.
|
Innen 1 måned etter operasjonen
|
Andre resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Behandlingstid
Tidsramme: Innen 1 måned etter operasjonen
|
Gjennomsnittlig beregningstid som kreves for at CAD -systemet skal generere spådommer og visualiseringsutganger vil bli registrert for å vurdere gjennomførbarhet for integrering i klinisk arbeidsflyt.
|
Innen 1 måned etter operasjonen
|
|
Lege tillitspoeng
Tidsramme: Innen 1 måned etter operasjonen
|
Legerets tillitsscore vil bli målt ved hjelp av et spørreskjema som ber leger om å vurdere tilliten til å vurdere pasientrisiko etter å ha gjennomgått CAD-genererte sannsynlighetspoeng og salgskart.
Svar vil bli samlet på en 5-punkts Likert-skala (1 = ikke selvsikker i det hele tatt, 2 = litt selvsikker, 3 = moderat selvsikker, 4 = selvsikker, 5 = veldig selvsikker).
Poengsummen vil bli registrert som den numeriske Likert -skalaverdien valgt av hver lege.
|
Innen 1 måned etter operasjonen
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Samarbeidspartnere
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)
1. september 2025
Primær fullføring (Antatt)
1. september 2026
Studiet fullført (Antatt)
1. september 2027
Datoer for studieregistrering
Først innsendt
28. august 2025
Først innsendt som oppfylte QC-kriteriene
5. september 2025
Først lagt ut (Antatt)
12. september 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
12. september 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
5. september 2025
Sist bekreftet
1. august 2025
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- CASMI008
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
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. .