Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Desenvolvimento de um Sistema de IA Multimodal para Gestão de GIST

3 de outubro de 2026 atualizado por: Qun Zhao

Desenvolvimento e Validação de um Modelo de Inteligência Artificial Multimodal que Integra Radiómica de TC, Patómica e Características Clínicas para o Diagnóstico, Estratificação de Risco e Previsão de Genótipo de Tumores do Estroma Gastrointestinal

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.

Visão geral do estudo

Tipo de estudo

Observacional

Inscrição (Real)

300

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Locais de estudo

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

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

18 anos e mais velhos (Adulto, Adulto mais velho)

Aceita Voluntários Saudáveis

N/D

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra Não Probabilística

População do estudo

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).

Descrição

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.

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

  • Modelos de observação: COHORT
  • Perspectivas de Tempo: PROSPECTIVE

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Diagnostic Accuracy of the AI Model for Distinguishing GIST from Non-GIST Tumors
Prazo: 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

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Concordance Rate between AI-predicted Risk Grade and Pathological Modified NIH Criteria
Prazo: 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
Prazo: 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
Prazo: 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

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Real)

1 de março de 2026

Conclusão Primária (Real)

1 de julho de 2026

Conclusão do estudo (Real)

1 de julho de 2026

Datas de inscrição no estudo

Enviado pela primeira vez

12 de fevereiro de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

5 de março de 2026

Primeira postagem (Real)

6 de março de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

6 de outubro de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

3 de outubro de 2026

Última verificação

1 de março de 2026

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

INDECISO

Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .

Se inscrever