AI-system for anatomisk gjenkjenning og lesjonsdeteksjon i nasofaryngolaringoskopi: En prospektiv studie
26. desember 2025 oppdatert av: Ruijin Hospital
Utvikling og validering av et kunstig intelligenssystem for gjenkjenning av anatomisk sted og lesjonsdeteksjon basert på elektroniske nasofaryngolaryngoskopiske bilder: En prospektiv multikenterstudie
Et kunstig intelligens-assistent system er trent og validert ved å samle nasofaryngolaringoskopibilder fra pasienter.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
Detaljert beskrivelse
For å adressere de kliniske utfordringene med tradisjonell nasofaryngolaringoskopi, som ufullstendig visualisering, unøyaktig identifikasjon og uklar bildedannelse, vil denne studien retrospektivt samle inn nasofaryngolaringoskopibilder og basisinformasjon (inkludert kjønn og alder) fra pasienter som gjennomgikk nasofaryngolaringoskopi ved deltakende sentre, for modelltrening og validering.
Dyp læringsalgoritmer vil bli brukt til å konstruere modellen.
Den endelige kliniske ytelsesevalueringen av modellen vil bli utført ved bruk av en uavhengig, prospektivt innsamlet testkohort.
Studietype
Observasjonsmessig
Registrering (Antatt)
500
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Bin Ye, MD PhD
- Telefonnummer: +8615216616895
- E-post: aydyebin@126.com
Studiesteder
-
-
-
Shanghai, Kina
- Rekruttering
- Ruijin Hospital, Shanghai Jiao Tong University School of Medicine
-
Ta kontakt med:
- Bin Ye, MD PhD
- Telefonnummer: +8615216616895
- E-post: aydyebin@126.com
-
-
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
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Bilde data av pasienter som gjennomgikk nasofaryngolaringoskopi og oppfylte forskningskravene ble samlet fra ulike underavdelinger over hele landet.
Beskrivelse
Inklusjonskriterier:
- Alder ≥ 18 år;
- Har gjennomgått standard elektronisk nasofaryngolaringoskopi;
- Pasienter som har gjennomgått biopsiprøvetaking har en klar patologisk diagnose;
- Har signert et skriftlig informert samtykkeskjema.
Eksklusjonskriterier:
- Bildekvaliteten er under standard med alvorlige bevegelsesartefakter;
- Lesjonsbilder er uklare og ufullstendige.
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 |
|---|---|
|
Modelltrening og valideringskohorter
En dyp læringsmodell trenes ved hjelp av treningsdatasettet og valideres med det interne valideringssettet.
|
Den dype læringsmodellen er trent ved hjelp av treningsdatasettet og testet med det interne valideringssettet.
Det prospektive datasettet brukes til den komparative testingen av modellen og legene.
|
|
Prospektiv testkohort
Pasienter inkluderes prospektivt, videoer av nasofaryngolaringoskopiundersøkelser samles inn, og videodataene behandles for å danne et prospektivt testdatasett, som deretter brukes til testing.
|
Den dype læringsmodellen er trent ved hjelp av treningsdatasettet og testet med det interne valideringssettet.
Det prospektive datasettet brukes til den komparative testingen av modellen og legene.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
ytelsen av lesjonsdeteksjon
Tidsramme: Innen 3 måneder etter fullføring av prospektiv datainnsamling
|
Arealet under kurven for mottakeroperasjonskarakteristikk (ROC-AUC) for modellen for avvikende lesjonsdeteksjon
|
Innen 3 måneder etter fullføring av prospektiv datainnsamling
|
|
ytelse av anatomisk stedsgjenkjenning
Tidsramme: Innen 3 måneder etter fullføring av prospektiv datainnsamling
|
Gjennomsnittspresisjonen (AP) for modellen til å gjenkjenne nesehule- og strupe anatomiske områder
|
Innen 3 måneder etter fullføring av prospektiv datainnsamling
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Sammenligning av diagnostisk ytelse mellom modellen og leger
Tidsramme: Innen 3 måneder etter fullføringen av prospektiv datainnsamling
|
Forskjeller i følsomhet, spesifisitet og total nøyaktighet mellom AI-modellen og endoskopister med ulik erfaring
|
Innen 3 måneder etter fullføringen av prospektiv datainnsamling
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
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)
12. desember 2025
Primær fullføring (Antatt)
31. desember 2026
Studiet fullført (Antatt)
31. mars 2027
Datoer for studieregistrering
Først innsendt
26. desember 2025
Først innsendt som oppfylte QC-kriteriene
26. desember 2025
Først lagt ut (Faktiske)
8. januar 2026
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
8. januar 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
26. desember 2025
Sist bekreftet
1. desember 2025
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2025-811
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. .