Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

AI-Based Risk Classification and Histopathological Subtype Prediction of Basal Cell Carcinoma Using Dermoscopic Images (BCC-AI)

29 июня 2026 г. обновлено: Tugce Nur Izbudak Kara, Istanbul Training and Research Hospital

Risk Classification and Prediction of Histopathological Subtypes in Basal Cell Carcinoma Using a CNN-Based Artificial Intelligence Model on Dermoscopic Images

This retrospective observational study aims to develop and evaluate a convolutional neural network (CNN)-based artificial intelligence model for risk classification and histopathological subtype prediction of basal cell carcinoma (BCC) using clinical and dermoscopic images. Histopathologically confirmed BCC cases from a dermatology archive will be included. The primary objective is to assess the diagnostic performance of the CNN model in classifying BCC as low-risk or high-risk. Secondary objectives include predicting histopathological subtypes and comparing the model's performance with that of dermatology physicians. Histopathological diagnosis will serve as the reference standard. All archived data will be anonymized before analysis.

Обзор исследования

Статус

Рекрутинг

Условия

Базально-клеточная карцинома

Подробное описание

Basal cell carcinoma (BCC) is the most common skin malignancy and comprises histopathological subtypes with different biological behaviors, recurrence risks, and treatment implications. Accurate identification of high-risk and low-risk subtypes is important for clinical decision-making. Dermoscopy improves diagnostic accuracy in BCC; however, prediction of histopathological risk categories based solely on dermoscopic findings remains challenging.

This retrospective observational study will use archived clinical and dermoscopic images, histopathology reports, and clinical records of patients with histopathologically confirmed BCC. All data will be anonymized before analysis. Images containing identifiable patient information will be excluded.

A convolutional neural network (CNN)-based artificial intelligence model will be developed using clinical and dermoscopic images. Images will undergo preprocessing, including standardization of image size, normalization procedures, and removal of potentially identifiable information. The dataset will be divided into training, validation, and test sets while maintaining separation at the patient level to avoid data leakage.

The primary outcome is the diagnostic performance of the CNN model for classification of BCC into low-risk and high-risk histopathological groups. Secondary outcomes include prediction of histopathological subtypes and comparison of model performance with dermatologist assessments. Histopathological diagnosis will serve as the reference standard.

Model performance will be evaluated using accuracy, sensitivity, specificity, precision, recall, F1 score, and area under the receiver operating characteristic curve (ROC-AUC). Comparisons between the artificial intelligence model and physician assessments will be performed using appropriate statistical methods. Interobserver agreement may also be assessed when applicable.

Тип исследования

Наблюдательный

Регистрация (Оцененный)

2500

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Контакты исследования

Имя: tugce nur izbudak kara, MD
Номер телефона: +905395976598
Электронная почта: eizbudak@icloud.com

Места учебы

Турция (Туркие)
- Istanbul
  - Istanbul, Istanbul, Турция (Туркие), 34000
    - Рекрутинг
    - Istanbul Training and Research Hospital
    - Контакт:
      
      tugce nur izbudak kara, MD
      
      Номер телефона: +905395976598
      
      Электронная почта: eizbudak@icloud.com
    - Контакт:
      
      Ayse Esra Koku Aksu, MD
      
      Номер телефона: +905059126069
      
      Электронная почта: esraaksu@gmail.com
    - Главный следователь:
      
      Ayse Esra Koku Aksu, MD
    - Младший исследователь:
      
      Tugce Nur Izbudak Kara, MD
    - Младший исследователь:
      
      Duygu Yamen, MD

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

Ребенок
Взрослый
Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Невероятностная выборка

Исследуемая популяция

The study population consists of patients with histopathologically confirmed basal cell carcinoma who have dermoscopic images of sufficient quality for artificial intelligence analysis and documented histopathological subtype information. Archived clinical and dermoscopic images collected at Istanbul Training and Research Hospital will be retrospectively analyzed.

Описание

Inclusion Criteria:

Patients with histopathologically confirmed basal cell carcinoma.
Cases with a specified histopathological subtype.
Availability of dermoscopic images with sufficient image quality and resolution for artificial intelligence analysis.

Exclusion Criteria:

Cases without histopathological confirmation of basal cell carcinoma.
Cases with unspecified histopathological subtype.
Images with insufficient quality or resolution for artificial intelligence analysis.
Cases without available dermoscopic images.

Учебный план

В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Количество групп / когорт

Когорты и вмешательства

Группа / когорта
Low-Risk Basal Cell Carcinoma Patients with histopathologically confirmed low-risk basal cell carcinoma, including nodular, superficial, pigmented, adenoid, solid, and nodulocystic subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and subtype prediction.
High-Risk Basal Cell Carcinoma Patients with histopathologically confirmed high-risk basal cell carcinoma, including infiltrative, micronodular, morpheaform, and basosquamous subtypes. Clinical and dermoscopic images will be used for artificial intelligence-based risk classification and histopathological subtype prediction.

Что измеряет исследование?

Первичные показатели результатов

Мера результата	Мера Описание	Временное ограничение
Accuracy of artificial intelligence-based classification of basal cell carcinoma risk groups Временное ограничение: Baseline	Diagnostic accuracy of the convolutional neural network model in distinguishing low-risk and high-risk basal cell carcinoma using dermoscopic images, compared with histopathological diagnosis as the reference standard.	Baseline

Вторичные показатели результатов

Мера результата	Мера Описание	Временное ограничение
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of convolutional neural network for histopathological subtype prediction of basal cell carcinoma using dermoscopic images Временное ограничение: baseline	Diagnostic performance of the convolutional neural network in predicting histopathological subtypes of basal cell carcinoma from dermoscopic images compared with histopathological diagnosis (reference standard). Diagnostic accuracy will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.	baseline
Diagnostic accuracy (accuracy, sensitivity, specificity, F1-score and ROC-AUC) of artificial intelligence compared with dermatologists for basal cell carcinoma risk classification Временное ограничение: baseline	Comparison of diagnostic performance between the artificial intelligence model and dermatologists in risk classification of basal cell carcinoma. Performance will be assessed using accuracy, sensitivity, specificity, precision, F1-score and ROC-AUC.	baseline

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Istanbul Training and Research Hospital

Следователи

Главный следователь: Ayse Esra Koku Aksu, MD, Istanbul Training and Research Hospital

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

22 мая 2026 г.

Первичное завершение (Оцененный)

22 мая 2027 г.

Завершение исследования (Оцененный)

22 мая 2027 г.

Даты регистрации исследования

Первый отправленный

19 июня 2026 г.

Впервые представлено, что соответствует критериям контроля качества

29 июня 2026 г.

Первый опубликованный (Действительный)

30 июня 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)