联合人工智能诊断胰腺实性病变的验证
2024年12月22日 更新者：Bin Cheng、Huazhong University of Science and Technology
多模态人工智能模型在诊断胰腺实性病变中的验证：前瞻性、多中心、随机、对照试验
该临床试验旨在了解多模态人工智能（AI）模型是否可以增强胰腺实性病变的诊断。 它旨在回答的主要问题是：
- AI模型是否能提高内窥镜医生诊断胰腺实性病变的诊断能力？
- 添加可解释性分析是否会进一步提高辅助内窥镜医师的诊断性能？ 研究人员将比较内窥镜医生在有或没有人工智能模型的帮助下的诊断表现。
参与者将：
- 他们的临床数据将被前瞻性地收集。
- 他们将被随机分为人工智能辅助组和常规诊断组。
研究概览
详细说明
研究人员此前开发了一种基于内窥镜超声图像和临床数据的多模态人工智能模型（Joint-AI），用于诊断胰腺实性病变。
本研究旨在通过前瞻性收集的数据集来提高联合人工智能模型的性能，并通过随机对照临床试验对其进行验证。
研究类型
介入性
注册 (估计的)
716
阶段
- 不适用
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。
学习联系方式
- 姓名：Bin Cheng
- 电话号码：86-13986097542
- 邮箱：b.cheng@tjh.tjmu.edu.cn
学习地点
-
-
Hubei
-
Wuhan、Hubei、中国、430030
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
接触：
- Bin Cheng
- 电话号码：86-13986097542
- 邮箱：b.cheng@tjh.tjmu.edu.cn
-
-
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
- 成人
- 年长者
接受健康志愿者
不
描述
纳入标准：
- 影像学检查（MRI、CT、B超）显示胰腺内有实性肿块，需要超声内镜引导下细针抽吸/活检（EUS-FNA/B）来明确患者病变的性质。
- 提供书面同意
排除标准：
- 年龄18岁以下
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
- 主要用途：诊断
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：双倍的
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
无干预：常规诊断
内窥镜医师根据内窥镜超声图像和临床数据诊断胰腺实性病变。
|
|
|
实验性的：联合AI辅助诊断
内窥镜医生根据内窥镜超声图像、临床数据和联合人工智能模型的预测来诊断胰腺实体病变。
|
联合人工智能模型给出的预测将在诊断期间提供给内窥镜医生
|
|
实验性的：可解释的联合AI辅助诊断
内窥镜医生根据内窥镜超声图像、临床数据、联合人工智能给出的预测以及可解释性分析结果来诊断胰腺实性病变，用于提高联合人工智能模型决策过程的透明度。
|
联合人工智能模型给出的预测和可解释性分析的结果将在诊断期间提供给内窥镜医生
|
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 |
|---|---|---|
|
联合人工智能模型辅助诊断分类正确率
大体时间：通过学习完成，平均1年
|
通过将联合人工智能模型辅助的内窥镜诊断与最终的组织病理学诊断（参考标准）进行比较来确定区分胰腺癌和其他非癌症病变的正确诊断率。
|
通过学习完成，平均1年
|
|
在可解释的联合人工智能模型的帮助下诊断分类的正确率
大体时间：通过学习完成，平均1年
|
通过将可解释联合人工智能模型辅助的内窥镜评估与最终组织病理学诊断进行比较来确定区分胰腺癌和其他非癌症病变的正确诊断率（参考标准）
|
通过学习完成，平均1年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
联合AI模型和可解释联合AI模型的正确诊断分类率
大体时间：通过学习完成，平均1年
|
该前瞻性收集的数据集中人工智能模型的诊断准确性。
|
通过学习完成，平均1年
|
|
内窥镜医生报告的人工智能辅助诊断置信度得分（得分范围为 0%-100%，其中 0 代表“完全不自信”，100 代表“完全自信”）
大体时间：通过学习完成，平均1年
|
内窥镜医生报告的诊断置信度将以 0 到 100 的范围进行衡量，其中 0 代表“完全不自信”，100 代表“完全有信心”。
分数越高表明诊断信心越高。
使用联合人工智能模型和可解释的联合人工智能模型进行的诊断将分别评估置信度分数。
|
通过学习完成，平均1年
|
|
在没有人工智能辅助的情况下，内窥镜医师诊断分类的正确率
大体时间：通过学习完成，平均1年
|
通过学习完成，平均1年
|
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。
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 (估计的)
2025年1月1日
初级完成 (估计的)
2026年1月1日
研究完成 (估计的)
2026年1月1日
研究注册日期
首次提交
2024年12月17日
首先提交符合 QC 标准的
2024年12月22日
首次发布 (实际的)
2025年3月25日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2024年12月22日
最后验证
2024年12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.