- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06791395
AI-assisterad cellulär endoskopi i realtid för diagnos av kolorektala lesioner: en multicenter, prospektiv klinisk studie
Kolorektal cancer (CRC) är den tredje vanligaste maligniteten och den näst vanligaste orsaken till cancerrelaterad död i världen. Koloskopi anses vara den föredragna metoden för screening för kolorektal cancer, och tidig upptäckt och resektion av kolorektala neoplastiska lesioner kan avsevärt minska morbiditeten och dödligheten i kolorektal cancer. För att förbättra den diagnostiska noggrannheten av endoskopi för kolorektala lesioner, många endoskopiska tekniker, såsom bildförstärkt endoskopi, inklusive smalbandsavbildning (narrow-band imaging, NBI), förstoringsendoskopi, pigmentendoskopi, konfokal laserendoskopi och endocytoskopi ( EC), tillämpas kliniskt. Med det ökande antalet endoskopiska resektioner ökar dock kostnaderna för den patologiska diagnosen av endoskopisk resektion och resektionsprover år för år. I klinisk praxis kanske vissa icke-neoplastiska kolorektala lesioner inte kräver resektion, så det är viktigt att identifiera lesionens natur under koloskopi.
Endocytoskopi är en sorts endoskopi med ultrahög förstoring. I kombination med kemisk färgning och smalbandsteknik kan endoskopister observera cellkärnans morfologi, körtelrörsmorfologi och mikrovaskulär morfologi med blotta ögat, för att undvika patologisk undersökning och inse syftet med realtidsbiopsi i kroppen. Men bedömningen av endocytoskopiska bilder kräver mycket erfarenhet för att förbättra bedömningsnoggrannheten. Dessutom har endoskopister vissa subjektiva bedömningar och fel i processen att bedöma resultaten. Därför föreslås artificiell intelligens (AI) för datorstödd diagnos på kliniken för att lösa detta problem. I ett tidigt skede har vårt center utvecklat ett AI-assisterat diagnostiskt system baserat på cellulär endoskopi för att hjälpa till med kolorektala lesioner, men det saknas fortfarande prospektiva kliniska studier för att verifiera effektiviteten av det AI-assisterade systemet. Därför vill vi genomföra denna kliniska studie för att verifiera den kliniska effektiviteten av AI.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Koloskopi är för närvarande guldstandarden för screening av kolorektal cancer. Endocytoskopi är en typ av ultrahögförstorande endoskopi. I kombination med kemisk färgning och smalbandig bildteknik kan endoskopister observera cellkärnans morfologi, körtelrörets morfologi och mikrovaskulär morfologi med blotta ögat, för att undvika patologisk undersökning och uppnå målet med realtidsbiopsi in vivo. Bedömningen av endocytoskopiska bilder kräver dock mycket erfarenhet för att förbättra bedömningsnoggrannheten. Dessutom har endoskopister vissa subjektiva bedömningar och fel i processen att bedöma resultaten. Därför föreslås artificiell intelligens (AI) för datorassisterad diagnos i kliniken för att lösa detta problem. För närvarande är de tillgängliga artificiella intelligenssystemen för att assistera endoskopister i diagnostik med endocytoskopi fortfarande relativt knappa, och de baseras på traditionella maskininlärningsmetoder, som fortfarande har vissa begränsningar när det gäller noggrannhet. Med den kontinuerliga utvecklingen av datorseendeteknik har djupinlärning tillämpats i stor utsträckning i utvecklingen av endoskopiska assistansdiagnossystem. Därför utvecklade forskarna ett CADx-system tränat med djupinlärning för att assistera endoskopister i att ställa diagnoser vid användning av endocytoskopi. Detta CADx-system kan förutsäga de fångade endocytoskopibilderna i realtid och visa förutsägelseresultaten, vilket kan assistera endoskopister i att tillhandahålla diagnostiska referenser.
Men för närvarande har denna CADx-teknik ännu inte genomgått prospektiv klinisk validering i den kliniska miljön. Forskarna planerar att genomföra en prospektiv klinisk prövning för att validera noggrannheten hos CADx för förutsägelse av kolorektala lesioners histologi i realtidsendocytoskopi. Denna studie kommer prospektivt att samla in de lesioner som uppfyller inklusions- och exklusionskriterierna. Efter att endoskopister har ställt diagnos genom endoskopibilder och CADx och sedan genomgått endoskopisk resektion eller kirurgisk resektion följt av patologisk diagnos, kommer de att jämföra resultaten från den artificiella intelligensens diagnos med guldstandardens patologiska resultat, och sammanfatta den diagnostiska noggrannheten för detta AI-assisterade diagnossystem för kolorektala lesioner.
Forskarna planerar att genomföra en prospektiv, multricenter klinisk prövning för att validera noggrannheten hos CADx-stöd för förutsägelse av kolorektala lesioners histologi i realtidsendocytoskopi.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
Jilin
-
Changchun, Jilin, Kina, 130021
- The First Hospital of Jilin University
-
Meihekou, Jilin, Kina, 135000
- Meihekou Central Hospital
-
-
Shandong
-
Jinan, Shandong, Kina, 250000
- Shandong Second Provincial General Hospital
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- kolorektala skador
Uteslutningskriterier:
- Lesioner som saknar bilder av hög kvalitet;
- Inflammatorisk tarmsjukdom, familjär adenomatös polypos och andra speciella sjukdomar;
- submukosala tumörer;
- Patologisk diagnos av inflammatoriska polyper, Peutz-Jeghers polyper, juvenila polyper, lymfom och andra patologiska typer.
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Patienter med en eller flera kolorektala läsioner upptäckta
Under koloskopi inspekterar endoskopisten efter förekomst av kolorektala lesioner enligt rutinmässig klinisk praxis med CADx avstängd. När en kolorektal lesion påträffas kommer endoskopisten att göra en prediktion om histologin baserat på den endoskopiska diagnosen. Därefter aktiveras CADx och visar den endoskopiska bild som tagits av endoskopisten. och endoskopisten kommer att anteckna CADx-prediktionen för samma bild. Dessutom kommer andra lesionsegenskaper såsom storlek och läge att registreras, vilket liknar vad som görs i rutinmässig klinisk praxis. Lesionen kommer att endoskopiskt resekeras eller opereras och skickas för patologisk undersökning, vilket kommer att utgöra "guldstandarden" för diagnosen av polyp-histologi. |
CADx-stödverktyget kommer att visa prediktionsresultaten när endoskopister trycker på tangenterna på det fasta tangentbordet.
Detta utförs efter att endoskopister först har gjort en optisk prediktion av kolorektal lesionshistologi med endocytoskopi som beskrivits.
CADx-stödverktyget kommer att göra en prediktion av kolorektal lesionshistologi.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
För att utvärdera den diagnostiska prestandan hos den CAD-färgade vid diagnostisering av neoplastiska lesioner i en klinisk miljö.
Tidsram: 11 månader
|
Den diagnostiska prestandan kommer att beräknas för jämförelse med slutlig histologi som guldstandard för diagnos
|
11 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Att utvärdera den diagnostiska prestandan hos CAD-NBI vid diagnostisering av neoplastiska lesioner i en klinisk miljö.
Tidsram: 11 månader
|
Den diagnostiska prestandan kommer att beräknas för jämförelse med slutlig histologi som guldstandard för diagnos
|
11 månader
|
|
Att jämföra den diagnostiska prestandan av CAD-NBI och CAD-färgad i kolorektala neoplastiska lesioner och olika kolorektala lesioner.
Tidsram: 11 månader
|
Den diagnostiska prestandan för CAD-NBI och CAD-färgning kommer att beräknas för jämförelse med slutlig histologi som guldstandard för diagnos
|
11 månader
|
|
För att utvärdera den diagnostiska prestandan hos CAD-NBI och CAD-färgning vid diagnos av neoplastiska DRSP med hög säkerhet
Tidsram: 11 månader
|
Den diagnostiska prestandan för CAD-NBI och CAD-färgad kommer att beräknas för jämförelse med slutlig histologi som guldstandard för diagnos
|
11 månader
|
|
Att utvärdera överensstämmelsen av övervakningsintervall efter polypektomi baserat på CAD-NBI och CAD-färgade prediktioner med histopatologisk diagnos
Tidsram: 11 månader
|
Överensstämmelsen av postpolypektomiövervakningsintervall baserade på CAD-NBI- och CAD-färgade förutsägelser med den patologiska diagnosen gjordes enligt riktlinjerna
|
11 månader
|
Samarbetspartners och utredare
Utredare
- Huvudutredare: Hong Xu, Docror, The First Hospital of Jilin University
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 25K013-001
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
produkt tillverkad i och exporterad från U.S.A.
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .