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

Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning

19. mai 2026 oppdatert av: Yunnan Cancer Hospital

Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning: Multicenter Retrospective and Prospective Validation

This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Intervensjon / Behandling

Studietype

Intervensjonell

Registrering (Antatt)

5000

Fase

  • Ikke aktuelt

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

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

Beskrivelse

Inclusion Criteria

  1. Female patients aged ≥ 18 years.
  2. Complete bilateral digital breast tomosynthesis (DBT) images available, including craniocaudal (CC) and mediolateral oblique (MLO) views.
  3. Confirmed pathological diagnosis (core needle biopsy or surgical resection) serving as the reference standard; or benign lesions with stable findings on follow-up for more than 2 years.
  4. (For the efficacy prediction subgroup) Patients who received complete neoadjuvant therapy and had postoperative pathological results.

2. Exclusion Criteria

  1. Poor image quality with severe artifacts that precluded reliable analysis.
  2. History of previous breast surgery or radiotherapy (except for the recurrence risk subgroup).
  3. Incomplete clinical or pathological data.

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: The application value of digital breast tomosynthesis in the accurate diagnosis of breast cancer
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
Diagnostisk test: To explore the value of digital breast tomosynthesis based on deep learning in the diagnosis of breast cancer
The digital breast tomosynthesis is part of the standard treatment protocol.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
The accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images.
Tidsramme: 1day
Taking surgical or puncture histopathological results as the gold standard, the accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images was evaluated. It focuses on challenging BI-RADS 4A lesions, covering retrospective multi-center validation sets and prospective multi-center validation sets to ensure the representativeness and rigor of the indicator.
1day

Samarbeidspartnere og etterforskere

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

Sponsor

Yunnan Cancer Hospital

Etterforskere

  • Studieleder: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer 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)

20. mai 2026

Primær fullføring (Antatt)

31. desember 2026

Studiet fullført (Antatt)

30. juni 2029

Datoer for studieregistrering

Først innsendt

27. april 2026

Først innsendt som oppfylte QC-kriteriene

19. mai 2026

Først lagt ut (Faktiske)

22. mai 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

22. mai 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

19. mai 2026

Sist bekreftet

1. mai 2026

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • KYLX2026-064

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