Sztuczny System Inteligencji do Wielomodalnej, Wieloklasowej Diagnostyki Torbielowatych Zmian Trzustkowych w oparciu o Endoskopową Ultrasonografię
23 kwietnia 2026 zaktualizowane przez: Qilu Hospital of Shandong University
Sztuczny System Inteligencji do Wielomodalnej, Wieloklasowej Diagnostyki Torbielowatych Zmian Trzustkowych w Opartej na Ultrasonografii Endoskopowej
Celem tego badania jest opracowanie i walidacja systemu sztucznej inteligencji o nazwie iEUS-PCL (inteligentny system ultrasonografii endoskopowej - torbielowate zmiany trzustki) do wykrywania oraz wielomodalnej, wieloklasowej diagnostyki torbielowatych zmian trzustki (PCL) podczas badania ultrasonografii endoskopowej (EUS).
Przegląd badań
Status
Jeszcze nie rekrutacja
Szczegółowy opis
To wieloośrodkowe, prospektywne badanie kohortowe ma na celu opracowanie i walidację multimodalnego systemu sztucznej inteligencji o nazwie iEUS-PCL do wykrywania i różnicowania rozpoznania torbieli trzustki (PCL).
Model został opracowany na podstawie retrospektywnie zebranych obrazów EUS, cech EUS, danych klinicznych oraz cech obrazowania radiologicznego pacjentów poddanych badaniu EUS.
Wydajność diagnostyczna iEUS-PCL będzie oceniana prospektywnie w czasie rzeczywistym na podstawie filmów EUS i porównywana z wynikami endosonografistów.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
176
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Zhen Li
- Numer telefonu: 86+18560086106
- E-mail: qilulizhen@sdu.edu.cn
Lokalizacje studiów
-
-
Shandong
-
Jinan, Shandong, Chiny, 250012
- Qilu Hospital of Shandong University
-
Kontakt:
- Zhen Li, doctor
- Numer telefonu: 86+18560086106
- E-mail: qilulizhen@sdu.edu.cn
-
-
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
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Dorośli pacjenci z podejrzeniem torbielowatych zmian trzustkowych poddawani EUS.
Opis
Kryteria włączenia:
- 1. Pacjenci w wieku ≥18 lat, u których zaplanowano EUS z powodu podejrzenia torbielowatych zmian trzustkowych na podstawie objawów klinicznych, wywiadu medycznego, badań laboratoryjnych lub radiologicznych, i którzy wyrażają zgodę na udział w badaniu oraz dobrowolnie podpisują świadomą zgodę.
2. Pacjenci bez wcześniejszego leczenia zmian trzustkowych.
Kryteria wykluczenia:
- 1. Pacjenci z bezwzględnymi przeciwwskazaniami do badania EUS. 2. Ciąża lub karmienie piersią. 3. Niekorygowalna koagulopatia (PTT>50 sekund lub INR>1,5) i/lub niekorygowalna małopłytkowość (liczba płytek krwi<50×109/L). 4. Niedrożność górnego odcinka przewodu pokarmowego. 5. Pacjenci, którzy przeszli leczenie chirurgiczne lub mają zmiany anatomiczne trzustki spowodowane zmianami w innych narządach klatki piersiowej i/lub jamy brzusznej, a także pacjenci z wrodzonymi nieprawidłowościami anatomicznymi.
6. Pacjenci, u których założono stent w przewodach żółciowych/trzustkowych. 7. Pacjenci, którzy odmawiają podpisania świadomej zgody.
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
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Pacjenci poddawani EUS
Pacjenci w wieku ≥18 lat zakwalifikowani do EUS z podejrzeniem torbielowatych zmian trzustki na podstawie objawów klinicznych, wywiadu medycznego, badań laboratoryjnych lub radiologicznych są kwalifikowani po wyrażeniu zgody na udział w badaniu i dobrowolnym podpisaniu świadomej zgody.
|
System iEUS-PCL automatycznie wykryje torbielowate zmiany trzustkowe i zintegruje obrazy EUS pacjentów, cechy EUS, dane kliniczne oraz cechy obrazowania radiologicznego, aby wykonać trzy zadania klasyfikacyjne:
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność iEUS-PCL dla torbielowatych zmian trzustkowych
Ramy czasowe: Podczas zabiegu
|
Głównym celem badania jest ocena dokładności iEUS-PCL w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategorie).
|
Podczas zabiegu
|
|
Czułość iEUS-PCL dla torbielowatych zmian trzustkowych
Ramy czasowe: Podczas procedury
|
Głównym celem badania jest ocena czułości iEUS-PCL w identyfikacji torbielowatych zmian trzustkowych (łagodnych/złośliwych; śluzowych/nieśluzowych; 4-kategoriowych).
|
Podczas procedury
|
|
Specyficzność iEUS-PCL dla torbielowatych zmian trzustkowych
Ramy czasowe: Podczas procedury
|
Głównym celem badania jest ocena swoistości metody iEUS-PCL w identyfikacji torbielowatych zmian trzustki (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategorialne).
|
Podczas procedury
|
|
Dodatnia wartość predykcyjna iEUS-PCL dla torbielowatych zmian trzustkowych
Ramy czasowe: Podczas zabiegu
|
Głównym celem badania jest ocena wartości predykcyjnej dodatniej iEUS-PCL w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategorie).
|
Podczas zabiegu
|
|
Wartość predykcyjna ujemna iEUS-PCL dla torbielowatych zmian trzustkowych
Ramy czasowe: Podczas zabiegu
|
Głównym celem badania jest ocena ujemnej wartości predykcyjnej iEUS-PCL w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategoriowe).
|
Podczas zabiegu
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porównanie dokładności między iEUS-PCL a endosonografistami
Ramy czasowe: Podczas zabiegu
|
Drugorzędowym wynikiem badania jest porównanie dokładności między iEUS-PCL a endosonografistami o różnym poziomie doświadczenia w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategoryjne).
|
Podczas zabiegu
|
|
Porównanie czułości między iEUS-PCL a endosonografistami
Ramy czasowe: Podczas zabiegu
|
Drugorzędowym celem badania jest porównanie czułości między iEUS-PCL a endosonografistami o różnym poziomie doświadczenia w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategorialne).
|
Podczas zabiegu
|
|
Porównanie specyficzności między iEUS-PCL a endosonografistami
Ramy czasowe: Podczas procedury
|
Drugorzędowym celem badania jest porównanie specyficzności między iEUS-PCL a endosonografistami o różnym poziomie doświadczenia w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategorie).
|
Podczas procedury
|
|
Porównanie wartości predykcyjnej dodatniej między iEUS-PCL a endosonografistami
Ramy czasowe: Podczas zabiegu
|
Drugorzędowym celem badania jest porównanie wartości predykcyjnej dodatniej między iEUS-PCL a różnymi poziomami endosonografów w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4-kategoriowe).
|
Podczas zabiegu
|
|
Porównanie wartości predykcyjnej ujemnej między iEUS-PCL a endosonografistami
Ramy czasowe: Podczas zabiegu
|
Drugorzędowym celem badania jest porównanie ujemnej wartości predykcyjnej między iEUS-PCL a endosonografistami o różnym poziomie doświadczenia w identyfikacji torbielowatych zmian trzustkowych (łagodne/złośliwe; śluzowe/nieśluzowe; 4 kategorie).
|
Podczas zabiegu
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
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
- Wu HL, Yao LW, Shi HY, Wu LL, Li X, Zhang CX, Chen BR, Zhang J, Tan W, Cui N, Zhou W, Zhang JX, Xiao B, Gong RR, Ding Z, Yu HG. Validation of a real-time biliopancreatic endoscopic ultrasonography analytical device in China: a prospective, single-centre, randomised, controlled trial. Lancet Digit Health. 2023 Nov;5(11):e812-e820. doi: 10.1016/S2589-7500(23)00160-7. Epub 2023 Sep 27.
- Tian S, Shi H, Chen W, Li S, Han C, Du F, Wang W, Wen H, Lei Y, Deng L, Tang J, Zhang J, Lin J, Shi L, Ning B, Zhao K, Miao J, Wang G, Hou H, Huang X, Kong W, Jin X, Ding Z, Lin R. Artificial intelligence-based diagnosis of standard endoscopic ultrasonography scanning sites in the biliopancreatic system: a multicenter retrospective study. Int J Surg. 2024 Mar 1;110(3):1637-1644. doi: 10.1097/JS9.0000000000000995.
- Lipkova J, Chen RJ, Chen B, Lu MY, Barbieri M, Shao D, Vaidya AJ, Chen C, Zhuang L, Williamson DFK, Shaban M, Chen TY, Mahmood F. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 2022 Oct 10;40(10):1095-1110. doi: 10.1016/j.ccell.2022.09.012.
- Schulz D, Heilmaier M, Phillip V, Treiber M, Mayr U, Lahmer T, Mueller J, Demir IE, Friess H, Reichert M, Schmid RM, Abdelhafez M. Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning. Endoscopy. 2023 May;55(5):415-422. doi: 10.1055/a-1971-1274. Epub 2022 Nov 2.
- Kuwahara T, Hara K, Mizuno N, Okuno N, Matsumoto S, Obata M, Kurita Y, Koda H, Toriyama K, Onishi S, Ishihara M, Tanaka T, Tajika M, Niwa Y. Usefulness of Deep Learning Analysis for the Diagnosis of Malignancy in Intraductal Papillary Mucinous Neoplasms of the Pancreas. Clin Transl Gastroenterol. 2019 May 22;10(5):1-8. doi: 10.14309/ctg.0000000000000045.
- Nguon LS, Seo K, Lim JH, Song TJ, Cho SH, Park JS, Park S. Deep Learning-Based Differentiation between Mucinous Cystic Neoplasm and Serous Cystic Neoplasm in the Pancreas Using Endoscopic Ultrasonography. Diagnostics (Basel). 2021 Jun 8;11(6):1052. doi: 10.3390/diagnostics11061052.
- Vilas-Boas F, Ribeiro T, Afonso J, Cardoso H, Lopes S, Moutinho-Ribeiro P, Ferreira J, Mascarenhas-Saraiva M, Macedo G. Deep Learning for Automatic Differentiation of Mucinous versus Non-Mucinous Pancreatic Cystic Lesions: A Pilot Study. Diagnostics (Basel). 2022 Aug 24;12(9):2041. doi: 10.3390/diagnostics12092041.
- Gheorghiu MI, Seicean A, Pojoga C, Hagiu C, Seicean R, Sparchez Z. Contrast-enhanced guided endoscopic ultrasound procedures. World J Gastroenterol. 2024 May 7;30(17):2311-2320. doi: 10.3748/wjg.v30.i17.2311.
- Huang W, Xu Y, Li Z, Li J, Chen Q, Huang Q, Wu Y, Chen H. Enhancing noninvasive pancreatic cystic neoplasm diagnosis with multimodal machine learning. Sci Rep. 2025 May 12;15(1):16398. doi: 10.1038/s41598-025-01502-4.
- Hwang J, Kim YK, Min JH, Jeong WK, Hong SS, Kim HJ. Comparison between MRI with MR cholangiopancreatography and endoscopic ultrasonography for differentiating malignant from benign mucinous neoplasms of the pancreas. Eur Radiol. 2018 Jan;28(1):179-187. doi: 10.1007/s00330-017-4926-5. Epub 2017 Aug 4.
- Jiang J, Chao WL, Cao T, Culp S, Napoleon B, El-Dika S, Machicado JD, Pannala R, Mok S, Luthra AK, Akshintala VS, Muniraj T, Krishna SG. Improving Pancreatic Cyst Management: Artificial Intelligence-Powered Prediction of Advanced Neoplasms through Endoscopic Ultrasound-Guided Confocal Endomicroscopy. Biomimetics (Basel). 2023 Oct 19;8(6):496. doi: 10.3390/biomimetics8060496.
- Oh S, Kim YJ, Park YT, Kim KG. Automatic Pancreatic Cyst Lesion Segmentation on EUS Images Using a Deep-Learning Approach. Sensors (Basel). 2021 Dec 30;22(1):245. doi: 10.3390/s22010245.
- Rangwani S, Ardeshna DR, Rodgers B, Melnychuk J, Turner R, Culp S, Chao WL, Krishna SG. Application of Artificial Intelligence in the Management of Pancreatic Cystic Lesions. Biomimetics (Basel). 2022 Jun 14;7(2):79. doi: 10.3390/biomimetics7020079.
- European Study Group on Cystic Tumours of the Pancreas. European evidence-based guidelines on pancreatic cystic neoplasms. Gut. 2018 May;67(5):789-804. doi: 10.1136/gutjnl-2018-316027. Epub 2018 Mar 24.
- Elta GH, Enestvedt BK, Sauer BG, Lennon AM. ACG Clinical Guideline: Diagnosis and Management of Pancreatic Cysts. Am J Gastroenterol. 2018 Apr;113(4):464-479. doi: 10.1038/ajg.2018.14. Epub 2018 Feb 27.
- Vilela A, Quingalahua E, Vargas A, Hawa F, Shannon C, Carpenter ES, Shi J, Krishna SG, Lee UJ, Chalhoub JM, Machicado JD. Global Prevalence of Pancreatic Cystic Lesions in the General Population on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis. Clin Gastroenterol Hepatol. 2024 Sep;22(9):1798-1809.e6. doi: 10.1016/j.cgh.2024.02.018. Epub 2024 Feb 28.
- Kloth C, Haggenmuller B, Beck A, Wagner M, Kornmann M, Steinacker JP, Steinacker-Stanescu N, Vogele D, Beer M, Juchems MS, Schmidt SA. Diagnostic, Structured Classification and Therapeutic Approach in Cystic Pancreatic Lesions: Systematic Findings with Regard to the European Guidelines. Diagnostics (Basel). 2023 Jan 26;13(3):454. doi: 10.3390/diagnostics13030454.
- Tian G, Xu D, He Y, Chai W, Deng Z, Cheng C, Jin X, Wei G, Zhao Q, Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography. Front Oncol. 2022 Oct 7;12:973652. doi: 10.3389/fonc.2022.973652. eCollection 2022.
- Qin X, Ran T, Chen Y, Zhang Y, Wang D, Zhou C, Zou D. Artificial Intelligence in Endoscopic Ultrasonography-Guided Fine-Needle Aspiration/Biopsy (EUS-FNA/B) for Solid Pancreatic Lesions: Opportunities and Challenges. Diagnostics (Basel). 2023 Sep 26;13(19):3054. doi: 10.3390/diagnostics13193054.
- Goyal H, Sherazi SAA, Gupta S, Perisetti A, Achebe I, Ali A, Tharian B, Thosani N, Sharma NR. Application of artificial intelligence in diagnosis of pancreatic malignancies by endoscopic ultrasound: a systemic review. Ther Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
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 (Szacowany)
20 kwietnia 2026
Zakończenie podstawowe (Szacowany)
30 czerwca 2028
Ukończenie studiów (Szacowany)
30 czerwca 2028
Daty rejestracji na studia
Pierwszy przesłany
15 kwietnia 2026
Pierwszy przesłany, który spełnia kryteria kontroli jakości
15 kwietnia 2026
Pierwszy wysłany (Rzeczywisty)
21 kwietnia 2026
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
29 kwietnia 2026
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
23 kwietnia 2026
Ostatnia weryfikacja
1 kwietnia 2026
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- 2026-SDU-QILU-2
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
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 .