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

Konstruktion av AI-modell för precisionsbilddiagnostik av kraniella sjukdomar

5 mars 2026 uppdaterad av: Tongji Hospital
Syftet med denna observationsstudie är att utveckla och validera en högprecision AI-diagnostisk modell för kraniella sjukdomar genom att integrera kliniska kunskapssystem (patofysiologisk klassificering, åldersstratifiering och anatomisk lokalisering) för att simulera radiologers diagnostiska tänkande. Den huvudsakliga frågan som studien syftar att besvara är: Förbättrar AI-modellen diagnostisk noggrannhet och konsistens över olika sjukhusnivåer, läkarkompetenser och kliniska scenarier jämfört med traditionell diagnostik? Deltagarnas kraniella MR-data (inklusive T1-, T2-, FLAIR- och DWI-sekvenser) och klinisk information kommer att samlas in retrospektivt (2015–2025) och prospektivt (2026) för att träna och validera modellen, som kommer att utvärderas genom prestandamått (noggrannhet, sensitivitet, specificitet) och kliniska effektutvärderingar (läkare kontra modell, med/utan modellassistans). Denna studie kommer att etablera ett nytt paradigm för klinisk AI-implementering, vilket ger metodologiskt stöd för precisionsdiagnostik av neurologiska sjukdomar.

Studieöversikt

Studietyp

Observationell

Inskrivning (Beräknad)

1000

Kontakter och platser

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

Studieorter

    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Rekrytering
        • Tongji Hospital
        • Kontakt:

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

Ja

Testmetod

Sannolikhetsprov

Studera befolkning

Studiepopulationen kommer att inkludera patienter som uppfyller följande kriterier:

Inklusionskriterier:

Patienter med neurologiska symtom (t.ex. huvudvärk, epilepsi, svaghet i lemmar) som genomgått kraniell MR-undersökning; Ålder som täcker hela livscykeln (1 dag till 85 år); Kompletta bildsekvenser (rutin-MR, inklusive T1-vägda, T1-förstärkta, T2-vägda, FLAIR, DWI, etc.); Tydlig klinisk diagnos bekräftad av guldstandarden (patologiska resultat, långtidsuppföljning eller konsensusdiagnos).

Exklusionskriterier:

Dålig bildkvalitet (allvarliga rörelseartefakter, skivtjocklek >5mm eller saknade sekvenser); Sjukdomar efter behandling (t.ex. postoperativt eller efter kemoradioterapi för maligna tumörer) som påverkar kraniell bilddiagnostik.

Beskrivning

Inklusionskriterier:

  • Patienter som genomgår kraniell MR för neurologiska symptom (t.ex. huvudvärk, epilepsi, svaghet i lemmar); åldersspann som täcker hela livscykeln (1 dag till 85 år); kompletta bildsekvenser (standard MR inklusive T1-vägd, T1-vägd med kontrast, T2-vägd, FLAIR, DWI, etc.); tydlig klinisk diagnos (guldstandard: patologiska resultat, långtidsuppföljning eller konsensusdiagnos).

Exklusionskriterier:

  • Dålig bildkvalitet (allvarliga rörelseartefakter, skivtjocklek>5 mm, eller saknade sekvenser); behandlingsrelaterade effekter som påverkar kraniell bilddiagnostik (t.ex. efter operation för maligna tumörer eller strålbehandling/kemoterapi).

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
Retrospektiv datainsamling från 1 januari 2015 till 31 december 2025, inklusive 70 000 försökspersoner
inklusive 70 000 oövervakade träningsfall och 2 000 övervakade träningsfall för modellutveckling.
Prospektiv Kohort
Prospektiv datainsamling från 1 mars 2026 till 31 december 2026, inklusive 1 000 fall för modellvalidering och klinisk effektutvärdering.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk noggrannhet av AI-modell (sensitivitet, specificitet, AUC)
Tidsram: Inom 1 månad från bildtillfångstagandet
Det primära resultatmåttet är den diagnostiska prestandan för AI-modellen, inklusive känslighet, specificitet och area under ROC-kurvan (AUC), jämfört med guldstandarden (t.ex. histopatologi eller klinisk diagnos).
Inom 1 månad från bildtillfångstagandet

Samarbetspartners och utredare

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

Sponsor

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 2026

Primärt slutförande (Beräknad)

1 december 2026

Avslutad studie (Beräknad)

1 december 2026

Studieregistreringsdatum

Först inskickad

25 februari 2026

Först inskickad som uppfyllde QC-kriterierna

25 februari 2026

Första postat (Faktisk)

3 mars 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

6 mars 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

5 mars 2026

Senast verifierad

1 mars 2026

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

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