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

Multimodal Imaging and Digital Pathology for Prostate Cancer Prediction

25 maja 2026 zaktualizowane przez: Fubo Wang, Guangxi Medical University

A Multicenter Study of a Deep Learning Model Based on Spatial Registration of Multimodal Imaging and Digital Pathology for Predicting Clinically Significant Prostate Cancer

This is a multicenter observational study. A deep learning model integrated with multimodal imaging and digital pathology spatial registration is built based on preoperative multiparametric magnetic resonance imaging, transrectal ultrasound and postoperative digital pathological whole slide images. The study is designed to achieve accurate prediction of clinically significant prostate cancer and non-invasive risk stratification. Unnecessary prostate biopsy and overdiagnosis can be reduced to support the optimization of clinical diagnosis and treatment strategies.

Przegląd badań

Szczegółowy opis

This prospective and retrospective multicenter observational study enrolls patients with suspected prostate cancer who receive standardized preoperative multiparametric magnetic resonance imaging, transrectal ultrasound examination, followed by prostate biopsy or radical prostatectomy. Complete clinical data including age, BMI, prostate specific antigen indicators, PI-RADS v2.1 scores, Gleason score and ISUP grading are collected from all eligible participants.

Biomechanically constrained non-rigid spatial registration technique is applied to achieve precise alignment between preoperative multimodal images and postoperative digital pathological whole slide images using high-quality multicenter datasets. A transformer-based multimodal deep learning fusion model is developed to analyze correlations between macroscopic imaging features and microscopic pathological heterogeneity, thereby establishing an interpretable artificial intelligence framework for clinically significant prostate cancer prediction.

Comprehensive model validation is conducted via internal cross-validation, external multicenter independent verification and international public datasets. Decision curve analysis and clinical impact curve are applied to assess clinical applicability. The model serves as an intelligent auxiliary tool to refine biopsy strategies, avoid redundant puncture and excessive treatment, and facilitate early precise diagnosis and risk stratification of prostate cancer.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

3000

Kontakty i lokalizacje

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

Kontakt w sprawie studiów

Lokalizacje studiów

    • Guangxi
      • Liuzhou, Guangxi, Chiny, 545006
        • Rekrutacyjny
        • Liuzhou People's Hospital Affiliated to Guangxi Medical University
        • Kontakt:

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

This is a prospective and retrospective multicenter cohort study. The study population consists of consecutive male subjects aged 40-90 years who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy, with complete standard-of-care preoperative multiparametric MRI (mpMRI), transrectal ultrasound (TRUS) images, and corresponding pathological diagnosis results. The collected data include:

  1. Preoperative mpMRI and TRUS images
  2. Digital whole-slide images of prostate biopsy specimens
  3. Digital whole-slide images of radical prostatectomy specimens (if performed) The prospective cohort will include newly enrolled subjects who provide written informed consent, while the retrospective cohort will include historical subjects with complete imaging, pathology slide, and clinical data from participating centers.

Opis

Inclusion Criteria:

  1. Subjects who are scheduled to undergo or have undergone prostate biopsy or radical prostatectomy.
  2. Subjects who have completed standard-of-care preoperative multiparametric MRI (mpMRI) and transrectal ultrasound (TRUS) examinations.
  3. Subjects with complete pathological diagnosis results available.
  4. Age between 40 and 90 years.
  5. Able and willing to provide written informed consent (for prospective cohort participants only).

Exclusion Criteria:

  1. Prior history of pelvic radiation therapy or radical prostatectomy.
  2. Incomplete or poor-quality mpMRI or TRUS images (e.g., motion artifacts, insufficient sequences).
  3. Concurrent other primary malignant tumors.
  4. Severe systemic diseases that may affect the evaluation of the prostate.
  5. Subjects with incomplete clinical or pathological data.
  6. Contraindications to MRI examination (e.g., incompatible metallic implants, severe claustrophobia).

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

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Area Under the Receiver Operating Characteristic Curve (AUC) for predicting clinically significant prostate cancer (csPCa)
Ramy czasowe: Baseline (at the time of imaging/pathology data collection)
The diagnostic performance of the multimodal deep learning model in predicting clinically significant prostate cancer using preoperative imaging data from this prospective and retrospective multicenter cohort. The AUC will be calculated to evaluate the model's discriminative ability.
Baseline (at the time of imaging/pathology data collection)

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Śledczy

  • Główny śledczy: Fubo Wang, MD, Guangxi Medical 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

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)

30 maja 2025

Zakończenie podstawowe (Szacowany)

30 czerwca 2030

Ukończenie studiów (Szacowany)

31 grudnia 2030

Daty rejestracji na studia

Pierwszy przesłany

13 maja 2026

Pierwszy przesłany, który spełnia kryteria kontroli jakości

25 maja 2026

Pierwszy wysłany (Rzeczywisty)

29 maja 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

29 maja 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

25 maja 2026

Ostatnia weryfikacja

1 maja 2026

Więcej informacji

Terminy związane z tym badaniem

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Opis planu IPD

This study does not have a plan to share individual participant data due to institutional and ethical restrictions.

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 .

Badania kliniczne na Rak prostaty (diagnoza)

Subskrybuj