Östergötland Linkoping 地区乳腺癌筛查中的人工智能 (AI-ROL)
2022年4月19日 更新者：Håkan Gustafsson、Ostergotland County Council, Sweden
在瑞典的双读乳腺癌筛查计划中使用 AI 作为第三位读者并达成共识
这项观察性研究的目的是评估使用 AI (Transpara®) 是否可以提高双读乳腺 X 光检查计划的质量。
与传统的乳房 X 光检查筛查（没有 AI 的双重阅读和共识）相比，这是通过将 AI 作为第三位读者并在共识会议期间作为决策支持来进行调查的。
研究概览
详细说明
AI 癌症检测系统将作为第 3 个阅读器，并将召回共识会议的其他案例：未被复读召回但根据 AI 得出的癌症风险评分被归类为 3% 最可疑检查的检查。 其次，在共识过程中使用人工智能作为决策支持。 AI 风险评分和计算机辅助检测 (CAD) - 可疑钙化和软组织病变的标记提供给读者。
这项研究的假设是，人工智能的使用有可能通过提高癌症检出率而不影响召回率来提高筛查计划的质量。
研究类型
观察性的
注册 (实际的)
15500
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
Östergötland
-
Linköping、Östergötland、瑞典、58185
- Region Östergötland
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
40年 至 74年 (成人、年长者)
接受健康志愿者
不
有资格学习的性别
女性
取样方法
非概率样本
研究人群
有资格接受基于人群的乳房 X 光检查筛查的女性
描述
纳入标准：
- 参加东约特兰林雪平地区定期乳腺癌筛查计划的妇女
排除标准：
- 乳房 X 线照片中有乳房植入物或其他外来植入物的女性
- 有疑似乳腺癌症状或体征的女性
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 观测模型：队列
- 时间观点：预期
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
在 Östergötland Linkoping 地区接受筛查的女性
|
在共识会议期间使用 AI 作为第三方读者和决策支持系统
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
癌症检出率
大体时间：纳入 4 个月后
|
在达成共识后召回的女性中被诊断患有乳腺癌的女性比例
|
纳入 4 个月后
|
|
召回率或推荐率
大体时间：纳入 4 个月后
|
达成共识后转诊进行进一步诊断检查的女性比例
|
纳入 4 个月后
|
|
转诊的阳性预测值
大体时间：纳入 4 个月后
|
被转诊的女性中被诊断出患有乳腺癌的比例
|
纳入 4 个月后
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
Transpara® 评分的阳性预测值
大体时间：纳入 4 个月后
|
具有给定 AI 评分的女性中诊断出乳腺癌的比例
|
纳入 4 个月后
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Håkan Gustafsson, PhD、Linköping University - University Hospital
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019 Sep 1;111(9):916-922. doi: 10.1093/jnci/djy222.
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Kobrunner SH, Sechopoulos I, Mann RM. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019 Feb;290(2):305-314. doi: 10.1148/radiol.2018181371. Epub 2018 Nov 20.
- van Winkel SL, Rodriguez-Ruiz A, Appelman L, Gubern-Merida A, Karssemeijer N, Teuwen J, Wanders AJT, Sechopoulos I, Mann RM. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol. 2021 Nov;31(11):8682-8691. doi: 10.1007/s00330-021-07992-w. Epub 2021 May 4.
- Pinto MC, Rodriguez-Ruiz A, Pedersen K, Hofvind S, Wicklein J, Kappler S, Mann RM, Sechopoulos I. Impact of Artificial Intelligence Decision Support Using Deep Learning on Breast Cancer Screening Interpretation with Single-View Wide-Angle Digital Breast Tomosynthesis. Radiology. 2021 Sep;300(3):529-536. doi: 10.1148/radiol.2021204432. Epub 2021 Jul 6.
- Raya-Povedano JL, Romero-Martin S, Elias-Cabot E, Gubern-Merida A, Rodriguez-Ruiz A, Alvarez-Benito M. AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology. 2021 Jul;300(1):57-65. doi: 10.1148/radiol.2021203555. Epub 2021 May 4.
- Lang K, Dustler M, Dahlblom V, Akesson A, Andersson I, Zackrisson S. Identifying normal mammograms in a large screening population using artificial intelligence. Eur Radiol. 2021 Mar;31(3):1687-1692. doi: 10.1007/s00330-020-07165-1. Epub 2020 Sep 2.
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Teuwen J, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Sechopoulos I, Mann RM. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019 Sep;29(9):4825-4832. doi: 10.1007/s00330-019-06186-9. Epub 2019 Apr 16.
- Lang K, Hofvind S, Rodriguez-Ruiz A, Andersson I. Can artificial intelligence reduce the interval cancer rate in mammography screening? Eur Radiol. 2021 Aug;31(8):5940-5947. doi: 10.1007/s00330-021-07686-3. Epub 2021 Jan 23.
- Sasaki M, Tozaki M, Rodriguez-Ruiz A, Yotsumoto D, Ichiki Y, Terawaki A, Oosako S, Sagara Y, Sagara Y. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer. 2020 Jul;27(4):642-651. doi: 10.1007/s12282-020-01061-8. Epub 2020 Feb 12.
- Kerschke L, Weigel S, Rodriguez-Ruiz A, Karssemeijer N, Heindel W. Using deep learning to assist readers during the arbitration process: a lesion-based retrospective evaluation of breast cancer screening performance. Eur Radiol. 2022 Feb;32(2):842-852. doi: 10.1007/s00330-021-08217-w. Epub 2021 Aug 12.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2021年10月15日
初级完成 (实际的)
2022年2月15日
研究完成 (实际的)
2022年2月15日
研究注册日期
首次提交
2021年9月8日
首先提交符合 QC 标准的
2021年9月8日
首次发布 (实际的)
2021年9月17日
研究记录更新
最后更新发布 (实际的)
2022年4月20日
上次提交的符合 QC 标准的更新
2022年4月19日
最后验证
2022年4月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.