Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Utveckling och prospektiv validering av en multimodal fusion Artificiell intelligensmodell för att förutsäga effekten av neoadjuvansbehandling av blåscancer

1 juni 2026 uppdaterad av: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Denna studie är en observationsstudie med flera centrum utan interventioner, inklusive konstruktion av en AI-diagnostisk modell och retrospektiv testning av en multicenter-kohort. Studiedeltagarna är blåscancerpatienter som har genomgått avbildningsundersökningar, diagnostiserats patologiskt och fått neoadjuvantbehandling med fullständiga kliniska och patologiska data. Studien planerar att registrera 130 patienter från vårt centrum, samla motsvarande bildbilder och samla in kliniska och genomiska data för att bygga och internt validera en multimodal AI -modell. Modellens generalisering och robusthet kommer att testas för att utforska sambandet mellan multimodala data och effekten av neoadjuvansbehandling för blåscancer. Syftet är att hjälpa kliniker att förutsäga och utvärdera effekten av neoadjuvansbehandling för blåscancer, med målet att förbättra patientdiagnosen, behandlingsresultat och prognos.

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Blåscancer är en av de vanligaste maligniteterna i det könssystemet över hela världen. För muskel - invasiv blåscancer som är mottaglig till radikal resektion är standardbehandlingen neoadjuvantterapi i kombination med radikal cystektomi, med neoadjuvantterapi som spelar en avgörande roll. För närvarande har många studier visat att cisplatinbaserad neoadjuvant kemoterapi kan nedsida tumörer, minska risken för dödlighet hos blåscancerpatienter, förbättra överlevnadsnivån och förbättra prognosen. Andra behandlingsmetoder såsom neoadjuvant immunterapi, riktad terapi och kombinationsterapier undersöks också. Svaren på neoadjuvantterapi varierar emellertid mellan blåscancerpatienter, med vissa som inte uppnår de önskade terapeutiska målen. Därför kan du exakt förutsäga deltagarnas svar på behandling ge en viktig referens för personlig och exakt behandling av blåscancer.

Under de senaste åren, som framsteg inom beräkningskraft och datalagringskapacitet, har artificiell intelligens (AI) tillämpats i stor utsträckning inom området digital diagnostik. AI -teknologier kan extrahera och integrera ett stort antal funktioner från multimodala data såsom patologi, avbildning och kliniska register, vilket möjliggör exakt sjukdomsdiagnos, prognosbedömning och behandlingsförutsägelse. Inom tumörbehandlingsförutsägelse har multimodala AI -tekniker uppnått många genombrott, utvecklat effektivitetsprognosmodeller för tumörer såsom rektal och bröstcancer baserat på avbildning och patologiska data och validerar modellernas generaliseringsfunktioner genom extern validering.

Därför planerar utredarna att konstruera och validera en "neoadjuvant behandlingsmodell för blåscancerbehandling" baserad på multimodala data såsom MRI -bilder, digitala patologibilder och kliniska register över blåscancerpatienter och utveckla en AI -assisterad förutsägelseprogramvara för neoadjuvant behandlingseffektivitet i bladcancer. Utredarna hoppas att denna AI -diagnostiska modell kan tjäna som ett hjälpverktyg för att hjälpa kliniker att stratifiera neoadjuvantbehandlingseffektivitet hos blåscancerpatienter, därmed formulera exakta behandlingsplaner, minska konsumtionen av mänskliga och materiella resurser och utnyttja de optimala behandlingsmöjligheterna.

Studietyp

Observationell

Inskrivning (Faktisk)

469

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510080
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter med patologiskt bekräftad blåscancer som genomgår neoadjuvantterapi och radikal cystektomi planeras vara inskrivna i detta diagnostiska test för att bedöma modellens kliniska tillämpningsförmåga.

Beskrivning

Inkluderingskriterier:

  • Blåsan som ockuperar lesioner, med histopatologisk bekräftelse av blåscancer efter resektion.
  • Planerad neoadjuvantterapi och radikal cystektomi.

Uteslutningskriterier:

  • Patienter som inte har genomgått standardundersökningar av urinblåsan eller har saknade avbildning eller patologiska data.
  • Patienter som har fått lokala behandlingar (såsom interventionell embolisering) eller systemiska behandlingar (såsom strålbehandling, kemoterapi, immunterapi eller riktad terapi).
  • Dålig kvalitet på avbildning eller patologiska bilder.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Patienter med blåscancer som genomgår neoadjuvantterapi
Patienter patologiska diagnosen med blåscancer som genomgår neoadjuvantterapi.
Diagnostiskt test: Artificial intelligence (AI)-based predictive model
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients. Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy). No intervention to patients would be performed in this diagnostic test study.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
AUC (Area Under the Receiver Operating Characteristic Curve)
Tidsram: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values. It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
sensitivity
Tidsram: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
specificity
Tidsram: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 januari 2022

Primärt slutförande (Faktisk)

31 december 2025

Avslutad studie (Faktisk)

31 december 2025

Studieregistreringsdatum

Först inskickad

19 mars 2025

Först inskickad som uppfyllde QC-kriterierna

1 april 2025

Första postat (Faktisk)

3 april 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

3 juni 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

1 juni 2026

Senast verifierad

1 april 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • SYSKY-2024-738-01

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

För att skydda patientens integritet är magnetisk resonansavbildning, patologiska bildbilder och andra patientrelaterade data inte offentligt tillgängliga.

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

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 .

Prenumerera