此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

基于非增强CT的肾脏肿瘤人工智能

2025年12月13日 更新者：Yajia Gu, MD、Fudan University

基于非增强CT的肾肿瘤筛查与诊断人工智能模型

这项观察性研究旨在了解人工智能方法是否能够利用非增强CT或机会性筛查自动识别和诊断肾脏病变。

研究概览

地位

尚未招聘

条件

详细说明

本研究首先基于多中心回顾性队列研究，建立了一个能够有效检测和诊断肾脏病变的人工智能模型。 随后，将该人工智能模型应用于大规模的真实世界回顾性和前瞻性人群，以验证并提升其有效性。

研究类型

观察性的

注册 (估计的)

10000

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

研究联系人备份

学习地点

  • 中国
    • Shanghai Municipality
      • Shanghai、Shanghai Municipality、中国、200032
        • Fudan University Shanghai Cancer Center
        • 接触：
        • 接触：

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

接受腹部CT检查的患者。

描述

纳入标准：

  1. 接受腹部CT检查的患者。
  2. 肾部病变患者按照标准临床路径处理，包括随访、活检或手术。
  3. 恶性病变经病理学确认；良性病变通过病理诊断或影像随访确认。
  4. 未接受过肾部疾病治疗。

排除标准：

  1. 患者拒绝接受推荐的随访、活检或手术，导致无法对肾部病变进行明确诊断。
  2. 疑似恶性病变缺乏完整的病理学确认。
  3. 患者曾接受过任何形式的肾部病变治疗。
  4. 图像质量不佳，影响诊断评估。

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

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
基于CT扫描构建肾脏疾病智能诊断系统。
大体时间：1年
构建一个用于检测肾脏肿块病变并将其区分为囊肿、良性肿瘤和恶性肿瘤的智能系统。
1年

次要结果测量

结果测量
大体时间
进一步开发人工智能模型，以有效诊断常见肾肿瘤的病理类型。
大体时间：1年
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。

赞助

Fudan University

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)

2026年1月1日

初级完成 (估计的)

2028年12月1日

研究完成 (估计的)

2028年12月1日

研究注册日期

首次提交

2025年12月13日

首先提交符合 QC 标准的

2025年12月13日

首次发布 (实际的)

2025年12月26日

研究记录更新

最后更新发布 (实际的)

2025年12月26日

上次提交的符合 QC 标准的更新

2025年12月13日

最后验证

2025年10月1日

更多信息

与本研究相关的术语

关键字

其他相关的 MeSH 术语

其他研究编号

  • 2509-Exp275

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

未定

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

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.

订阅