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

Multimodal Imaging and Digital Pathology for Prostate Cancer Prediction

25 de maio de 2026 atualizado por: 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.

Visão geral do estudo

Descrição detalhada

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.

Tipo de estudo

Observacional

Inscrição (Estimado)

3000

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

Locais de estudo

    • Guangxi
      • Liuzhou, Guangxi, China, 545006
        • Recrutamento
        • Liuzhou People's Hospital Affiliated to Guangxi Medical University
        • Contato:

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

Método de amostragem

Amostra Não Probabilística

População do estudo

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.

Descrição

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).

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

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Area Under the Receiver Operating Characteristic Curve (AUC) for predicting clinically significant prostate cancer (csPCa)
Prazo: 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)

Colaboradores e Investigadores

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

Investigadores

  • Investigador principal: Fubo Wang, MD, Guangxi Medical University

Publicações e links úteis

A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.

Publicações Gerais

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)

30 de maio de 2025

Conclusão Primária (Estimado)

30 de junho de 2030

Conclusão do estudo (Estimado)

31 de dezembro de 2030

Datas de inscrição no estudo

Enviado pela primeira vez

13 de maio de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

25 de maio de 2026

Primeira postagem (Real)

29 de maio de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

29 de maio de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

25 de maio de 2026

Última verificação

1 de maio de 2026

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

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

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 .

Se inscrever