Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning
19 de maio de 2026 atualizado por: Yunnan Cancer Hospital
Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning: Multicenter Retrospective and Prospective Validation
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
Visão geral do estudo
Status
Ainda não está recrutando
Condições
Tipo de estudo
Intervencional
Inscrição (Estimado)
5000
Estágio
- Não aplicável
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.
Contato de estudo
- Nome: Zhenhui LI
- Número de telefone: 13698736132
- E-mail: lizhenhui@kmmu.edu.cn
Estude backup de contato
- Nome: Yu Xie
- Número de telefone: 13708445492
- E-mail: xieyu@kmmu.edu.cn
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Descrição
Inclusion Criteria
- Female patients aged ≥ 18 years.
- Complete bilateral digital breast tomosynthesis (DBT) images available, including craniocaudal (CC) and mediolateral oblique (MLO) views.
- Confirmed pathological diagnosis (core needle biopsy or surgical resection) serving as the reference standard; or benign lesions with stable findings on follow-up for more than 2 years.
- (For the efficacy prediction subgroup) Patients who received complete neoadjuvant therapy and had postoperative pathological results.
2. Exclusion Criteria
- Poor image quality with severe artifacts that precluded reliable analysis.
- History of previous breast surgery or radiotherapy (except for the recurrence risk subgroup).
- Incomplete clinical or pathological data.
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
- Finalidade Principal: Diagnóstico
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: The application value of digital breast tomosynthesis in the accurate diagnosis of breast cancer
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
|
The digital breast tomosynthesis is part of the standard treatment protocol.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
The accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images.
Prazo: 1day
|
Taking surgical or puncture histopathological results as the gold standard, the accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images was evaluated.
It focuses on challenging BI-RADS 4A lesions, covering retrospective multi-center validation sets and prospective multi-center validation sets to ensure the representativeness and rigor of the indicator.
|
1day
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Diretor de estudo: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital
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 (Estimado)
20 de maio de 2026
Conclusão Primária (Estimado)
31 de dezembro de 2026
Conclusão do estudo (Estimado)
30 de junho de 2029
Datas de inscrição no estudo
Enviado pela primeira vez
27 de abril de 2026
Enviado pela primeira vez que atendeu aos critérios de CQ
19 de maio de 2026
Primeira postagem (Real)
22 de maio de 2026
Atualizações de registro de estudo
Última Atualização Postada (Real)
22 de maio de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
19 de maio de 2026
Última verificação
1 de maio de 2026
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- KYLX2026-064
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .