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

Hantering av pankreatiska cystiska lesioner med artificiell intelligens baserad på EUS och multimodal data

5 mars 2026 uppdaterad av: Bin Cheng, Huazhong University of Science and Technology

En multimodal artificiell intelligensmodell för subtypdiagnostik och klinisk hantering av pankreascystiska lesioner baserad på endoskopisk ultraljudsundersökning och klinisk information

Det primära målet är att konstruera en multimodal AI-modell (Cyst-AI) baserad på EUS-bilder och kliniska data såsom bildfunktioner (CT eller MRI) och laboratorietester för att assistera endoskopister vid diagnostisering av cystiska leisoner i bukspottkörteln (PCLs), huvudsakligen genom att differentiera mucinösa från icke-mucinösa leisoner.

Det sekundära målet är att utvärdera modellens effektivitet i riskstratifiering och klinisk hantering för patienter med PCLs.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Med utvecklingen av medicinsk bildteknik har detekteringsfrekvensen av cystiska leasioner i bukspottkörteln (PCLs) ökat markant. Även om de flesta cystor är godartade, har en betydande del potential för malign omvandling. Klinisk hantering baseras på diagnos och riskstratifiering. För PCLs leder olika diagnoser och riskstratifieringar till helt olika kliniska strategier och utfall, vilket är nära förknippat med livskvalitet, ekonomisk börda och psykologisk stress för patienter. Endoskopisk ultraljudsundersökning (EUS) har spelat en avgörande roll i den ytterligare differentialdiagnosen av PCLs. Artificiell intelligens (AI) har också visat stor potential inom klinisk diagnos och hantering. Därför planerar vi att retrospektivt samla patienters EUS-bilddata, radiologiska och laboratorietester samt annan klinisk information för att konstruera en modell som heter Cyst-AI, som integrerar funktionerna för diagnos och klinisk hantering, för att stödja kliniskt beslutsfattande.

Studietyp

Observationell

Inskrivning (Beräknad)

500

Kontakter och platser

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

Studiekontakt

Studieorter

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Rekrytering
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Kontakt:
      • Wuhan, Hubei, Kina, 430030
        • Har inte rekryterat ännu
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • 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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Kohorten kommer att väljas från flera sjukhus i Kina, inklusive Tongji Hospital, Tongji Medical College, HUST.

Beskrivning

Inklusionskriterier:

  • Patienter vars EUS-resultat indikerar cystiska eller cystoida leasions i bukspottkörteln;
  • Mucinösa leasions: inklusive mucinöst cystiskt neoplasi (MCN), intraduktalt papillärt mucinöst neoplasi (IPMN);
  • Icke-mucinösa leasions: inklusive pankreatisk pseudocyst, seröst cystiskt neoplasi (SCN), cystiskt neuroendokrint tumör (cNET).

Exklusionskriterier:

  • Patienter vars ålder är under 18 år;
  • Patienter som har genomgått bukspottkörtelkirurgi före EUS-undersökningen;
  • Patienter som har fått kemoterapi och strålbehandling för bukspottkörteltumörer före EUS-undersökningen;
  • Patologiska resultat indikerar att bukspottkörtelleasions är metastatiska leasions från andra ställen;
  • Patienter vars EUS-bilder eller rapporter saknas;
  • EUS-bildkvaliteten uppfyller inte kraven för granskning, såsom suddig bild eller innehåller artefakter, biopsinålar, mätskalor eller andra extra anteckningar som inte är en del av den ursprungliga EUS-bilden;
  • Patienter vars slutliga diagnos är oklar.

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
Cyst-EUS
Patienter före 2026 med EUS-bilder av pankreatiska cystiska lesioner eller cystoidmaterial lesioner har inkluderats i denna kohort.
Diagnostiskt test: Cyst-AI-modellen
De data som samlats in från flera center kommer att delas upp i en träningsmängd, en valideringsmängd och en testmängd för att utveckla och testa cyst-AI-modellen.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnosmodellens prestanda för att särskilja mucinösa från icke-mucinösa PCL
Tidsram: Inom 3 månader efter att diagnostikmodellens träning avslutats.
Prestandan för Cyst-AI diagnostiska modellen kommer att utvärderas med hjälp av arean under receiver operating characteristic-kurvan (AUC-ROC), med känslighet, specificitet, noggrannhet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) beräknade från modellens förutsägelser på den oberoende valideringsdatamängden. PCLs: pankreatiska cystiska lesioner.
Inom 3 månader efter att diagnostikmodellens träning avslutats.
Den kliniska hanteringsmodellens riskstratifieringsförmåga för mukinösa PCL:er
Tidsram: Inom 3 månader efter att riskstratifieringsmodellens träning är slutförd.
Prestandan för Cyst-AI riskstratifieringsmodellen att korrekt klassificera lesioner i "låg risk", "mellanrisk" och "hög risk" kommer att utvärderas med hjälp av arean under mottagaroperatörskarakteristikkurvan (AUC-ROC), med känslighet, specificitet, noggrannhet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) beräknade från modellens prediktioner på det oberoende valideringsdatasetet. PCLs: pankreatiska cystiska lesioner.
Inom 3 månader efter att riskstratifieringsmodellens träning är slutförd.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnosmodellens prestanda i att differentiera specifika typer av PCL
Tidsram: Inom 3 månader efter avslutad träning av diagnostisk modell.
Prestandan för Cyst-AI-diagnostikmodellen kommer att utvärderas med hjälp av area under receiver operating characteristic-kurvan (AUC-ROC), med känslighet, specificitet, noggrannhet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) beräknade från modellens förutsägelser på det oberoende valideringsdatasetet. PCLs: pankreatiska cystiska lesioner.
Inom 3 månader efter avslutad träning av diagnostisk modell.
Den kliniska hanteringsprestandan för den kliniska hanteringsmodellen för mucinösa PCL
Tidsram: Inom 3 månader efter avslutad utbildning i klinisk förvaltningsmodell.
Prestandan för Cyst-AI:s kliniska hanteringsmodell för att ge korrekta kliniska rekommendationer kommer att utvärderas med hjälp av arean under receiver operating characteristic-kurvan (AUC-ROC), med sensitivitet, specificitet, noggrannhet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) som beräknas från modellens förutsägelser på det oberoende valideringsdatasetet. PCLs: pankreatiska cystiska lesioner.
Inom 3 månader efter avslutad utbildning i klinisk förvaltningsmodell.
Modellens prestanda i att assistera endoskopister på olika nivåer i att diagnostisera och hantera PCLs
Tidsram: Inom 1 månad efter avslutad människa-maskin-konfrontationsövergångsstudie
Prestandan för Cyst-AI-modellen i att assistera endoskopister kommer att utvärderas med hjälp av area under mottagaropereringskarakteristikens kurva (AUC-ROC), med känslighet, specificitet, noggrannhet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) beräknade från modellens förutsägelser på den oberoende valideringsdatamängden. PCLs: pankreascystiska lesioner.
Inom 1 månad efter avslutad människa-maskin-konfrontationsövergångsstudie
Modellens inverkan på endoskopisters beslutsprocess
Tidsram: Inom 1 månad efter avslutad human-maskin konfrontationskorsstudie.
Frågeformulär för endoskopister efter bedömning kommer att användas för att utvärdera graden av inverkan.
Inom 1 månad efter avslutad human-maskin konfrontationskorsstudie.

Samarbetspartners och utredare

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

Sponsor

Huazhong University of Science and Technology

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 2025

Primärt slutförande (Beräknad)

1 april 2026

Avslutad studie (Beräknad)

1 juni 2026

Studieregistreringsdatum

Först inskickad

9 december 2025

Först inskickad som uppfyllde QC-kriterierna

5 mars 2026

Första postat (Faktisk)

11 mars 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

11 mars 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

5 mars 2026

Senast verifierad

1 mars 2026

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • Cyst-AI 2024

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