内窥镜超声引导的固体胰腺病变的细针吸入，并在细胞学涂片中快速染色，然后进行整个幻灯片扫描和人工智能诊断：一项前瞻性，多中心研究。
2025年2月8日 更新者：Ruijin Hospital
内镜超声穿刺胰腺实性占位细胞涂片快速染色后全玻片扫描及人工智能诊断：一项前瞻性、多中心研究
这项观察性研究的目的是研究胰腺固体病变穿刺细胞病理学的自发开发的整个幻灯片扫描和人工智能诊断系统（以下称为“ zhiying shunxi”胰腺病变（SPL）。 它旨在回答的主要问题是：
通过利用光学成像技术来捕获与胰腺穿刺的Diff-Quik染色涂片的RGB图像，可以开发人工智能算法，有助于区分固体胰腺空间占上性疾病（例如胰腺导管性腺癌，胰腺腺癌，胰腺神经膜细胞和非胰腺神经膜细胞和非分裂细分布）良性病变）？
研究人员将比较玫瑰ai系统对SPL的SPL的诊断与SPL本身的实际病理诊断，以确定Rose-AI系统是否可以有效地诊断SPL。
研究概览
研究类型
观察性的
注册 (估计的)
1500
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
-
-
Shanghai
-
Shanghai、Shanghai、中国、200000
- 招聘中
- Ruijin Hospital, Shanghai Jiaotong University School of Medicine
-
接触：
- Duowu Zou, MD
- 电话号码：+8613901617608
- 邮箱：zdw_pi@126.com
-
Shanghai、Shanghai、中国、200025
- 招聘中
- Department of Gastroenterolog, Ruijin Hospital Affiliated to Shanghai Jiao Tong University School of Medicine
-
接触：
- Taojing Ran, MD
- 电话号码：8615601942397
- 邮箱：rantaojing@163.com
-
-
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
不适用
取样方法
概率样本
研究人群
由于需要进行疾病治疗，并根据常规临床工作流程获得所有患者，最后被证实为胰腺导管腺癌，胰腺神经内分泌肿瘤和非肿瘤良性良性病变。
描述
纳入标准：
- 过时的和签署的知情同意书构成了遵守研究程序的承诺，并在整个18岁及以上的研究受试者中进行合作，无论性别诊断或怀疑是基于成像研究的性别诊断或怀疑牢固的胰腺空间占用病变（B超声研究） ，CT或MRI）
排除标准：
- 无法或拒绝签署知情同意书，无法暂停抗凝/抗血小板治疗怀孕或哺乳，患有精神疾病或其他不适合进行FNA/B活检凝结疾病的疾病（PLT <50×10^3/μl） ，INR> 1.5）胰腺囊性病变在整个Diff-Quik涂片幻灯片的数字病理学图像中，具有小于8个显微镜的感兴趣领域（ROI）的非诊断EUS-FNA/B标本（ROI）
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
胰腺导管腺癌
|
由于需要进行疾病治疗，并根据常规临床工作流程获得所有样品。
在与各自内窥镜中心隶属的医院的病理学部门确认病理诊断后，借用了合格的胰腺穿刺污染物，并转移到了瑞昂医院，隶属于上学医学院。
在那里，使用自发开发的“ Zhiying Shunxi”系统来捕获相应的传统光显微镜RGB图像。
成像完成后，所有标本都返回到其起源的内窥镜中心。
使用RGB图像作为输入，开发了一种人工智能算法，以帮助区分固体胰腺病变。
|
|
胰腺神经内分泌肿瘤
|
由于需要进行疾病治疗，并根据常规临床工作流程获得所有样品。
在与各自内窥镜中心隶属的医院的病理学部门确认病理诊断后，借用了合格的胰腺穿刺污染物，并转移到了瑞昂医院，隶属于上学医学院。
在那里，使用自发开发的“ Zhiying Shunxi”系统来捕获相应的传统光显微镜RGB图像。
成像完成后，所有标本都返回到其起源的内窥镜中心。
使用RGB图像作为输入，开发了一种人工智能算法，以帮助区分固体胰腺病变。
|
|
非塑性良性病变
|
由于需要进行疾病治疗，并根据常规临床工作流程获得所有样品。
在与各自内窥镜中心隶属的医院的病理学部门确认病理诊断后，借用了合格的胰腺穿刺污染物，并转移到了瑞昂医院，隶属于上学医学院。
在那里，使用自发开发的“ Zhiying Shunxi”系统来捕获相应的传统光显微镜RGB图像。
成像完成后，所有标本都返回到其起源的内窥镜中心。
使用RGB图像作为输入，开发了一种人工智能算法，以帮助区分固体胰腺病变。
|
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 |
|---|---|---|
|
准确性
大体时间：通过学习完成，平均2年
|
精度=（TP + TN） /（TP + FP + FN + TN）
|
通过学习完成，平均2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。
合作者
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)
2024年12月31日
初级完成 (估计的)
2027年5月31日
研究完成 (估计的)
2027年6月30日
研究注册日期
首次提交
2025年1月22日
首先提交符合 QC 标准的
2025年2月8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
2025年2月8日
最后验证
2025年1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.