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

Intraoperativ ultraljud för hjärntumörkirurgi förstärkt med AI (BrainUS-AI)

16 september 2026 uppdaterad av: Santiago Cepeda, Hospital del Rio Hortega

Optimering av intraoperativ ultraljudsanvändning vid hjärntumörkirurgi genom artificiell intelligensbaserade tekniker

Intraoperativ ultraljud är ett mångsidigt, lågkostnadsavbildningsverktyg som har visats förbättra säkerhet och effektivitet vid hjärntumörkirurgi. Dess utbredda användning förblir dock begränsad på grund av operatörsberoende, komplexiteten i bildtolkning, förekomsten av artefakter och ett begränsat synfält.

Detta projekt syftar till att prospektivt utvärdera, i en multicentrisk och icke-randomiserad miljö, en prototyp för realtids djupinlärningsbaserad segmenteringsmodell för hjärntumöravgränsning i intraoperativt ultraljud. Modellen är utformad för att underlätta identifiering av tumörvävnad under operation, vilket potentiellt kan förbättra intraoperativt beslutsfattande och kirurgisk precision.

Genom att öka precisionen och tillgängligheten för ioUS förväntas denna innovation möjliggöra säkrare och mer kompletta resektioner, med potential att förbättra både överlevnad och livskvalitet för patienter med hjärntumörer.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Detaljerad beskrivning

Hjärntumörkirurgi innebär stora utmaningar på grund av hjärnans komplexa anatomi och de infiltrativa lesionernas natur, som ofta är belägna nära eloquenta områden. En av de viktigaste faktorerna för patientöverlevnad är omfattningen av tumörresektion, förutsatt att den kan uppnås utan att äventyra neurologisk funktion 1. För att maximera säker resektion förlitar sig neurokirurger på en rad intraoperativa hjälpmedel, inklusive fluorescerande ämnen, neuronavigation, direkt elektrisk stimulering och avancerade intraoperativa bildtekniker, framför allt intraoperativ magnetresonanstomografi (ioMRI) och intraoperativ ultraljud (ioUS) 2.

Även om ioMRI erbjuder utmärkt upplösning och noggrannhet begränsar dess höga kostnad, logistiska krav och komplexa integration dess tillgänglighet till ett litet antal specialiserade centra 3. Däremot är ioUS en lågkostnadsmodell med mångsidig användning som naturligt integreras i det kirurgiska arbetsflödet 4-6. Trots detta har dess bredare användning begränsats av flera faktorer: hög operatörsberoende, en brant inlärningskurva och tolkningsutmaningar relaterade till artefakter, icke-standardiserade bildplan, låg kontrast mellan tumör och normal hjärna samt ett begränsat synfält.

Under de senaste decennierna har forskningen om AI-baserad segmentering av hjärntumörer utvecklats avsevärt, men det mesta arbetet har fokuserat på MRI 7. Inom ramen för ioUS visade tidiga studier som Ritschel et al. 8 att övervakade klassificeringsmodeller (t.ex. support vector machines) kunde skilja tumör från friskt vävnad i kontrastförstärkt ultraljud, men dessa metoder var arbetsintensiva och begränsade till små datamängder. Ilunga-Mbuyamba et al. 9 undersökte senare multimodal registrering mellan ioUS och MRI för att förbättra segmentering, men den kliniska genomförbarheten begränsades av behovet av noggrann samregistrering. Mer nyligen har djupinlärningsbaserade metoder av Canalini et al. 10 och Carton et al. 11 tillämpats för att segmentera kirurgiska kaviteter och tumörvolymer i ioUS-bilder.

Toppmoderna metoder som de som rapporterats av Faanes et al. 12, med nnU-Net-arkitekturer, har uppnått lovande Dice-similaritetskoefficienter på 0,6-0,9 på offentliga datamängder som RESECT-SEG 13 och ReMIND 14. Dessa modeller var dock inte utformade för realtidsinferens och har inte genomgått validering i levande kirurgiska miljöer. Andra metoder, som den av Dorent et al. 15, har förlitat sig på syntetiska ultraljudsbilder härledda från preoperativ MRI, vilket väcker frågor om generaliserbarhet till riktiga ioUS-data. Sammantaget, trots dessa framsteg, förblir den kliniska översättningen begränsad på grund av de unika utmaningarna med ioUS, inklusive lägre rumslig upplösning, bildheterogenitet och variation i insamlingsprotokoll.

Inom andra medicinska områden har AI-assisterad ultraljudssegmentering visat sig vara genomförbar i realtid. Till exempel implementerade Hu et al. 16 U-Net-baserade modeller för bröstläsionssegmentering med 16 bilder per sekund (FPS) med Dice-poäng över 0,75, medan Wei et al. 17 tillämpade YOLO-baserad detektering för att identifiera karotisplack med 98,5% noggrannhet vid 39 FPS. Trots deras effektivitet och noggrannhet har liknande metoder ännu inte implementerats och kliniskt validerats för hjärntumörkirurgi med ioUS.

Vårt projekt syftar till att adressera denna lucka genom att genomföra en multicentrisk, prospektiv, icke-randomiserad validering av en prototyp för djupinlärningsbaserad segmenteringsmodell specifikt utformad för realtids intraoperativ hjärntumörultraljud. Modellen fungerar vid kirurgiska bildhastigheter, avgränsar automatiskt tumörgränser direkt på det levande ultraljudsflödet, med målet att assistera intraoperativt beslutsfattande, maximera resektionsomfattningen när det är onkologiskt lämpligt och bevara neurologisk funktion.

Denna studie bygger på vårt tidigare arbete, som har etablerat en stark vetenskaplig grund för den föreslagna valideringen. I vår senaste publikation, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, tränade och validerade vi en djupinlärningsmodell för hjärntumörsegmentering med multicentriska data från BraTioUS-DB – en milstolpe inom ioUS-forskning. I en andra studie, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, utvecklade och prospektivt utvärderade vi en realtidsdetekteringsmodell för datorseende i operationsrummet. Tillsammans utgör dessa bidrag en robust ram för att främja realtids AI-baserad segmentering i intraoperativt ultraljud, direkt anpassad till denna studies mål.

Studietyp

Interventionell

Inskrivning (Beräknad)

100

Fas

  • Fas 3

Kontakter och platser

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

Studiekontakt

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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Beskrivning

Inklusionskriterier:

  • Ålder ≥ 18 år.
  • Planerad för kraniotomi och resektion av en hjärntumör med ioUS planerad som en del av det standardiserade kirurgiska arbetsflödet.
  • Preoperativ MRI tillgänglig för kirurgisk planering.
  • Möjlighet att få informerat samtycke från patienten eller rättslig företrädare.

Exklusionskriterier:

• Otillräcklig ioUS-bildinhämtning på grund av teknisk felaktighet eller intraoperativa komplikationer som inte är relaterade till tumören.

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: N/A
  • Interventionsmodell: Enskild gruppuppgift
  • Maskning: Ingen (Open Label)

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: Realtids-AI-assisterad intraoperativ ultraljudssegmentering
Deltagare som genomgår standardvård för hjärntumörresektion med intraoperativ ultraljudsundersökning (ioUS) kommer att använda ett prototyp av ett realtidssegmenteringssystem baserat på djupinlärning som överlagrar automatisk tumördelineering på den direkta ultraljudsbilden under operationen. Verktyget används som ett komplement till rutinmässig intraoperativ avbildning och kräver inte förändringar av den kirurgiska strategin; kirurgen förblir helt ansvarig för intraoperativa beslut. Teknisk prestanda (t.ex. segmenteringsnoggrannhet, fördröjning/bilder per sekund, operativ stabilitet), genomförbarhet/arbetsflödespåverkan, överensstämmelse för detektering av kvarvarande tumör och kirurgrapporterad användbarhet kommer att samlas in prospektivt över deltagande centra.
En prototyp av en AI-baserad enhet (mjukvarusystem) som utför realtids djupinlärningssegmentering av hjärntumörvävnad på intraoperativ ultraljud (ioUS) och visar segmenteringen som ett överlägg på den direktsända ultraljudsbilden under operationen. Systemet används som ett komplement till standardvården för ioUS utan att kräva någon ändring av den planerade kirurgiska strategin; intraoperativa beslut förblir kirurgens ansvar. Systemloggar fångar in bearbetningsprestanda (t.ex. FPS, total fördröjning, driftupptid) och utdata som används för efterföljande teknisk validering och arbetsflödes-/användbarhetsbedömningar.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk prestanda av BrainUS-AI för detektion av resttumör vid resektionsslut
Tidsram: Under operationen (baslinje, under resektion och i slutet av resektion), med den primära bedömningen i slutet av resektion på den slutliga intraoperativa ultraljudsundersökningen.
Närvaron/frånvaron av residualtumör kommer att fastställas av BrainUS-AI-segmenteringsöverlägget under den slutliga intraoperativa ultraljudsinsamlingen (när kirurgen anser att resektionen är fullständig). Denna binära klassificering (residual närvarande/frånvarande) kommer att jämföras med tidig postoperativ magnetresonanstomografi när den finns tillgänglig (referensstandard), och överensstämmelse med kirurgens intraoperativa bedömning kommer också att registreras. Diagnostisk prestanda kommer att rapporteras som sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) med 95% konfidensintervall, och överensstämmelse kommer att bedömas med Cohens kappa.
Under operationen (baslinje, under resektion och i slutet av resektion), med den primära bedömningen i slutet av resektion på den slutliga intraoperativa ultraljudsundersökningen.

Samarbetspartners och utredare

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

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

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 (Beräknad)

1 december 2026

Primärt slutförande (Beräknad)

1 december 2027

Avslutad studie (Beräknad)

1 juni 2028

Studieregistreringsdatum

Först inskickad

22 januari 2026

Först inskickad som uppfyllde QC-kriterierna

22 januari 2026

Första postat (Faktisk)

29 januari 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

17 september 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

16 september 2026

Senast verifierad

1 september 2026

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

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