Sztuczna inteligencja przyspiesza krzywą uczenia się w celu opanowania ultrasonografii guzków tarczycy ze wzmocnionym kontrastem (AIA-CEUD-TN)
22 marca 2026 zaktualizowane przez: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Sztuczna inteligencja przyspiesza krzywą uczenia się w celu opanowania systemu raportowania i danych obrazowania tarczycy w ultrasonografii ze wzmocnionym kontrastem
Celem tego badania obserwacyjnego jest poznanie krzywej uczenia się w celu opanowania raportowania obrazowania tarczycy i systemu danych ultrasonografii ze wzmocnieniem kontrastowym przy pomocy sztucznej inteligencji u pacjentów z guzkami tarczycy. Główne pytania, na które ma odpowiedzieć, to:
- Czy możemy opracować sztuczne, inteligentne oprogramowanie, które pomoże lekarzom w diagnozowaniu guzków tarczycy za pomocą ultrasonografii ze wzmocnieniem kontrastowym?
- Czy sztuczna inteligencja może zmniejszyć liczbę przypadków i czas potrzebny lekarzom na opanowanie ultrasonograficznej diagnostyki guzków tarczycy z kontrastem?
Uczestnicy zostaną poproszeni o poddanie się badaniu ultrasonograficznemu z kontrastem oraz aspiracji cienkoigłowej guzków tarczycy pod kontrolą USG. Naukowcy porównają liczbę przypadków i czas, jaki lekarze z i bez sztucznej inteligentnej pomocy opanowali diagnostykę ultrasonograficzną guzków tarczycy ze wzmocnionym kontrastem, aby sprawdzić, czy sztuczna inteligencja zmniejsza liczbę przypadków i czas.
Przegląd badań
Typ studiów
Interwencyjne
Zapisy (Rzeczywisty)
1955
Faza
- Nie dotyczy
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Guangdong
-
Guangzhou, Guangdong, Chiny, 510289
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Badana populacja
Badana populacja z tym samym wskazaniem do ultrasonografii ze wzmocnieniem kontrastowym i biopsji aspiracyjnej cienkoigłowej:
- Planowana ablacja lub operacja;
- Co najmniej jedna podejrzana cecha ultrasonograficzna, taka jak hipoechogeniczny/bardzo hipoechogeniczny, nieregularny/płatkowaty brzeg, wyższy niż szeroki lub punkcikowate ogniska echogeniczne.
Opis
Kryteria przyjęcia:
- Pacjenci z guzkami tarczycy z komponentą litą ≥5 mm potwierdzoną konwencjonalnym badaniem ultrasonograficznym;
- Pacjenci, u których wykonano konwencjonalne badanie ultrasonograficzne, badanie ultrasonograficzne ze wzmocnieniem kontrastowym oraz biopsję aspiracyjną cienkoigłową;
- Pacjenci z końcowymi łagodnymi lub złośliwymi wynikami patologicznymi.
Kryteria wyłączenia:
- Pacjenci z cytopatologią Bethesda I, III lub IV i bez ostatecznie łagodnej lub złośliwej patologii;
- Pacjenci z historią ablacji lub zabiegu chirurgicznego tarczycy;
- Pacjenci z obrazami ultrasonograficznymi niskiej jakości.
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Nie dotyczy
- Model interwencyjny: Zadanie dla jednej grupy
- Maskowanie: Brak (otwarta etykieta)
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Inny: Zestaw testowy
Uczestnicy z guzkami tarczycy przeszli ultrasonografię kontrastową oraz ultrasonograficznie kontrolowaną biopsję aspiracyjną cienkoigłową w okresie od stycznia 2021 do grudnia 2022 w Sun Yat-sen Memorial Hospital of Sun Yat-sen University, Houjie Hospital of Dongguan oraz Affiliated Huadu Hospital of Southern Medical University.
|
Sztuczna inteligencja wspomagająca diagnostykę guzków tarczycy za pomocą ultrasonografii kontrastowej.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wydajność diagnostyczna
Ramy czasowe: Pierwszy tydzień po dacie zakończenia badania pierwotnego.
|
Czułość, swoistość, wartość predykcyjna dodatnia, wartość predykcyjna ujemna, dokładność, pole pod krzywą
|
Pierwszy tydzień po dacie zakończenia badania pierwotnego.
|
|
Konieczność biopsji
Ramy czasowe: Pierwszy tydzień po dacie zakończenia badania podstawowego.
|
Wskaźnik niepotrzebnych biopsji
|
Pierwszy tydzień po dacie zakończenia badania podstawowego.
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Śledczy
- Główny śledczy: Jingliang Ruan, PhD, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- 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.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
3 czerwca 2023
Zakończenie podstawowe (Rzeczywisty)
2 marca 2026
Ukończenie studiów (Rzeczywisty)
16 marca 2026
Daty rejestracji na studia
Pierwszy przesłany
24 lipca 2023
Pierwszy przesłany, który spełnia kryteria kontroli jakości
8 sierpnia 2023
Pierwszy wysłany (Rzeczywisty)
9 sierpnia 2023
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
25 marca 2026
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
22 marca 2026
Ostatnia weryfikacja
1 marca 2026
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SYSKY-2023-702-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
TAK
Opis planu IPD
Dane wygenerowane lub przeanalizowane podczas badania są dostępne na żądanie od głównego badacza.
Ramy czasowe udostępniania IPD
Pierwszy tydzień po publikacji prac badawczych.
Kryteria dostępu do udostępniania IPD
Dane wygenerowane lub przeanalizowane podczas badania są dostępne od głównego badacza na żądanie.
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .