Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Rozwój wielomodalnego systemu sztucznej inteligencji do zarządzania GIST

3 października 2026 zaktualizowane przez: Qun Zhao

Opracowanie i walidacja multimodalnego modelu sztucznej inteligencji integrującego radiomikę TK, patomikę oraz cechy kliniczne w celu diagnozy, stratyfikacji ryzyka i predykcji genotypu guzów podścieliskowych przewodu pokarmowego

Background: Gastrointestinal Stromal Tumors (GISTs) are the most common mesenchymal tumors of the gastrointestinal tract. Accurate pre-operative diagnosis, risk stratification, and genotyping are critical for determining the appropriate surgical approach and targeted therapy (such as Imatinib). However, current methods often rely on invasive postoperative pathology and expensive genetic testing.

Study Objective: The purpose of this study is to develop and validate a multimodal Artificial Intelligence (AI) model that integrates clinical data, CT radiomics (imaging features), and pathomics (digital pathology features) to improve the precision of GIST management.

Study Design: This is a prospective, observational study. The researchers will recruit patients with suspected gastric submucosal tumors who are scheduled for surgery or biopsy at The Fourth Hospital of Hebei Medical University.

Core Tasks: The AI model will be trained to perform three specific tasks:

Diagnosis: Distinguish GISTs from other non-GIST mesenchymal tumors (e.g., leiomyomas, schwannomas).

Risk Assessment: Stratify GISTs into risk categories (e.g., Low vs. High risk) to predict malignant potential.

Genotyping: Predict specific gene mutations (e.g., KIT or PDGFRA mutations) to guide immunotherapy or targeted therapy.

Methodology: Patient data (CT scans, pathology slides, and clinical history) will be collected and analyzed by the AI system. The AI's predictions will be compared against the "Gold Standard" results derived from postoperative pathological examination and Next-Generation Sequencing (NGS). This study is non-interventional; the AI results will not affect the standard of care received by the patients.

Przegląd badań

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

300

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

    • Anhui
      • Fuyang, Anhui, Chiny, 236003
        • The Fifth Affiliated Hospital of Anhui Medical University
    • Hebei
      • Baoding, Hebei, Chiny, 071030
        • Baoding Central Hospital
      • Cangzhou, Hebei, Chiny, 061000
        • Cangzhou People's Hospital
      • Hengshui, Hebei, Chiny, 053099
        • Hengshui People's Hospital
      • Shijiazhuang, Hebei, Chiny, 050011
        • Shijiazhuang People's Hospital
      • Xingtai, Hebei, Chiny, 054000
        • The Second Affiliated Hospital of Xingtai Medical College
    • Hubei
      • Wuhan, Hubei, Chiny, 430065
        • Renmin Hospital of Wuhan University
    • Hunan
      • Hengyang, Hunan, Chiny, 421001
        • The First Affiliated Hospital of University of South China
    • Jiangsu
      • Nanjing, Jiangsu, Chiny, 210002
        • Jinling Hospital

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

18 lat i starsze (Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie dotyczy

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Patients presenting with gastric submucosal tumors (SMTs) who are admitted to the Department of Gastrointestinal Surgery at The Fourth Hospital of Hebei Medical University for surgical or endoscopic treatment. The cohort includes patients with subsequently pathologically confirmed GISTs and other mesenchymal tumors (e.g., leiomyoma, schwannoma).

Opis

Inclusion Criteria:

Age ≥ 18 years, gender not limited.

Clinical diagnosis of gastric submucosal tumor (SMT) or suspected gastrointestinal stromal tumor (GIST) based on gastroscopy or ultrasound.

Scheduled for surgical resection or endoscopic biopsy at the study center.

Standard preoperative contrast-enhanced CT scans are available (performed within 2 weeks prior to surgery).

Patients or their legal guardians have signed the informed consent form.

Exclusion Criteria:

Received neoadjuvant therapy (e.g., Imatinib, chemotherapy, or radiotherapy) prior to surgery/biopsy.

Poor quality of CT images (e.g., severe motion artifacts) affecting radiomics analysis.

Insufficient tissue samples for pathological diagnosis or genetic testing.

Confirmed diagnosis of other primary malignancies.

Incomplete clinical data or lost to follow-up immediately after surgery.

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

  • Modele obserwacyjne: COHORT
  • Perspektywy czasowe: PROSPECTIVE

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Diagnostic Accuracy of the AI Model for Distinguishing GIST from Non-GIST Tumors
Ramy czasowe: Up to 30 days post-surgery

The diagnostic accuracy is calculated as the proportion of correctly classified patients (GIST vs. Non-GIST) by the multimodal AI model, compared to the gold standard postoperative pathological diagnosis.

Up to 30 days post-surgery

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Concordance Rate between AI-predicted Risk Grade and Pathological Modified NIH Criteria
Ramy czasowe: Up to 30 days post-surgery

The proportion of patients whose risk category (Very Low/Low vs. Intermediate/High) predicted by the AI model matches the actual risk grade determined by postoperative pathology according to the modified National Institutes of Health (NIH) criteria. This will be reported as a percentage (0-100%)

Up to 30 days post-surgery
Sensitivity and Specificity of the AI Model in Predicting KIT/PDGFRA Gene Mutations
Ramy czasowe: Up to 30 days post-surgery

The AI model's performance in identifying specific mutations (e.g., KIT exon 11, PDGFRA) compared to the results of Next-Generation Sequencing (NGS). Data will be reported as percentages with 95% confidence intervals.

Up to 30 days post-surgery
Area Under the Receiver Operating Characteristic Curve (AUC) for All Tasks
Ramy czasowe: Up to 30 days post-surgery

The AUC values will be calculated to evaluate the overall performance of the AI model in diagnosis, risk stratification, and genotype prediction. Sensitivity and Specificity will also be reported.

Up to 30 days post-surgery

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

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)

1 marca 2026

Zakończenie podstawowe (Rzeczywisty)

1 lipca 2026

Ukończenie studiów (Rzeczywisty)

1 lipca 2026

Daty rejestracji na studia

Pierwszy przesłany

12 lutego 2026

Pierwszy przesłany, który spełnia kryteria kontroli jakości

5 marca 2026

Pierwszy wysłany (Rzeczywisty)

6 marca 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

6 października 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

3 października 2026

Ostatnia weryfikacja

1 marca 2026

Więcej informacji

Terminy związane z tym badaniem

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIEZDECYDOWANY

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 .

Subskrybuj