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

Federated Learning in Renal Tumor Model

28 de outubro de 2026 atualizado por: Jiwen Cheng, First Affiliated Hospital of Guangxi Medical University

Research on the Application of Federated Learning in the Construction of Deep Learning Models for Renal Tumor Imaging

This is a multicenter, retrospective and prospective diagnostic clinical trial evaluating the effectiveness and safety of CascadeDiagnose Renal Tumor CT, an AI-assisted detection system for renal tumors based on contrast-enhanced multiphase CT imaging. The system employs a cascaded deep learning architecture to perform fully automated analysis of multiphase CT images, covering image quality review, lesion detection and segmentation, benign-malignant differentiation, and risk stratification, with traceable evidence chains and interpretable outputs. The study is conducted across six tertiary hospitals in Guangxi, China, utilizing a distributed "data stays on-site, computation moves across centers" federated learning network, which ensures that original patient data remain within each hospital while encrypted intermediate features are shared for cross-center collaborative analysis. A total of at least 3000 patients with renal tumors will be enrolled (approximately 2600 in the retrospective phase and 400 in the prospective phase). The primary effectiveness outcomes include area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). The primary safety outcomes include false negative rate, false positive rate, and adverse events. The study also incorporates a multi-reader, multi-case (MRMC) design to compare the diagnostic performance of the AI system with radiologists of varying seniority, and to evaluate the system's utility in assisting junior radiologists. The findings of this study are expected to provide high-quality clinical evidence for the regulatory approval of this AI-assisted diagnostic system as a Class III medical device.

Visão geral do estudo

Status

Ainda não está recrutando

Condições

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

  • Nome: Hai-qi Liang, MD
  • Número de telefone: 86+18176618137
  • E-mail: liahiki@163.com

Estude backup de contato

  • Nome: Nai-kai Liao, MD
  • Número de telefone: 86+18776891703
  • E-mail: 2546419718@qq.com

Locais de estudo

  • China
    • Guangxi
      • Guigang, Guangxi, China, 537100
        • Guigang People's Hospital
        • Contato:
      • Guilin, Guangxi, China, 541002
        • Guilin People's Hospital
        • Contato:
      • Liuzhou, Guangxi, China, 545006
        • Liuzhou People's Hospital
        • Contato:
      • Nanning, Guangxi, China, 530021
        • The First Affiliated Hospital of Guangxi Medical University
        • Contato:
        • Contato:
          • Haiqi Liang, MD
          • Número de telefone: 86+18176618137
          • E-mail: liahiki@163.com
        • Subinvestigador:
          • Shenghua Deng, MD
      • Nanning, Guangxi, China, 530021
        • Nanning Second People's Hospital
        • Contato:
      • Wuzhou, Guangxi, China, 543002
        • Wuzhou Red Cross Hospital
        • 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

18 anos a 60 anos (Adulto)

Aceita Voluntários Saudáveis

Não

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra de Probabilidade

População do estudo

The study population consists of approximately 3,000 patients with pathologically confirmed renal tumors (benign or malignant) who underwent contrast-enhanced CT at ten Guangxi hospitals between January 2019 and June 2026. Cases are consecutively enrolled using a unified time window and strict inclusion/exclusion criteria. Eligible patients must have complete pre-operative contrast-enhanced CT, good image quality, and traceable clinical-pathological data. Exclusions include non-contrast CT only, severe artifacts, prior nephrectomy (except recurrence/residual), and incomplete data. Enrollment targets are 600 cases at the lead site and 300 at each of the nine participating centers.

Descrição

Inclusion Criteria:

  1. Patients pathologically confirmed as having renal tumors (either benign or malignant) by surgery or biopsy;
  2. Underwent contrastenhanced renal CT before surgery or treatment;
  3. CT images are of good quality and clearly depict the renal lesion contour;
  4. Complete and traceable clinical and pathological data.

Exclusion Criteria:

  1. Patients who did not undergo contrastenhanced CT before surgery, or only had noncontrast CT;
  2. CT images with significant motion artifacts, metal artifacts, or excessive noise that impair lesion assessment;
  3. Lesions too small (maximum diameter <1 mm) or not identifiable on imaging;
  4. Patients who previously underwent partial or radical nephrectomy for renal tumors (except for recurrent/residual lesions);
  5. Incomplete clinical data or pathological results.

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: CASE_CONTROL
  • Perspectivas de Tempo: OTHER

Coortes e Intervenções

Grupo / Coorte
Malignant renal tumor
Benign renal tumor

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Dice Similarity Coefficient for Renal Tumor Segmentation
Prazo: The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

The primary outcome measure is the Dice Similarity Coefficient for renal tumor segmentation on contrast-enhanced CT, comparing the federated learning model against a centralized training model with a non-inferiority margin of Δ = -0.05. This outcome will be assessed at the end of the model training phase using an independent multi-center test set.
The primary outcome will be measured in October 2027, upon completion of model training, final parameter aggregation, and ensemble model establishment, using the test set from the multi-center retrospective cohort.

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Classification Performance Metrics and Heterogeneity Impact Assessment
Prazo: Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

The secondary outcomes are: (1) classification performance metrics-AUC, accuracy, sensitivity, and specificity-for benign versus malignant renal tumor discrimination, with pathological diagnosis as the reference; and (2) the impact of data heterogeneity on model performance, assessed by comparing Dice coefficients and AUC values across centers and pathological subtypes. All secondary outcomes will be evaluated at the completion of the model training phase, approximately 18 months after study initiation, after the final federated aggregation and ensemble model construction, using the independent multi-center test set, with center-specific and subtype-specific analyses performed thereafter.
Assessed at the completion of the model training phase, approximately 18 months after study initiation, following final aggregation and ensemble construction, using the independent multi-center test set, with center-specific and subtype-specific analyses

Colaboradores e Investigadores

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

Patrocinador

First Affiliated Hospital of Guangxi Medical University

Investigadores

  • Diretor de estudo: Min Qin, MD, First Affiliated Hospital of 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 (Estimado)

1 de outubro de 2026

Conclusão Primária (Estimado)

30 de agosto de 2028

Conclusão do estudo (Estimado)

30 de agosto de 2028

Datas de inscrição no estudo

Enviado pela primeira vez

19 de agosto de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

21 de setembro de 2026

Primeira postagem (Real)

25 de setembro de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

30 de outubro de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

28 de outubro de 2026

Última verificação

1 de outubro de 2026

Mais Informações

Termos relacionados a este estudo

Palavras-chave

Termos MeSH relevantes adicionais

Outros números de identificação do estudo

  • 2026-S0835

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

Individual Participant Data (IPD) will not be shared in this study. The primary reasons are threefold: (1) strict legal restrictions under China's Data Security Law and Personal Information Protection Law prohibit cross-institutional transfer of raw medical data without explicit consent; (2) as a retrospective study spanning several years, obtaining renewed consent from all participants is practically infeasible; and (3) the core federated learning framework inherently eliminates the need for IPD sharing-only encrypted model parameters are transmitted, while raw CT images and clinical data remain securely stored at each participating center. This design fully protects patient privacy, complies with all regulatory requirements, and ensures the study's collaborative objectives are achieved without ever exposing individual-level data.

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