用于鼻咽喉镜解剖识别与病灶检测的人工智能系统：一项前瞻性研究
2025年12月26日 更新者：Ruijin Hospital
基于电子鼻咽喉镜图像的人工智能系统用于解剖部位识别和病变检测的开发与验证：一项前瞻性多中心研究
通过收集患者的鼻咽喉镜图像，训练和验证了一个人工智能辅助系统。
研究概览
详细说明
为解决传统鼻咽喉镜检查存在的临床痛点，如视野不全、识别不准、成像不清等问题，本研究将回顾性收集参与中心接受鼻咽喉镜检查患者的鼻咽喉镜图像及基线信息（包括性别、年龄），用于模型训练和验证。
将应用深度学习算法构建模型。
模型的最终临床性能评估将使用独立、前瞻性收集的测试队列进行。
研究类型
观察性的
注册 (估计的)
500
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 Ye, MD PhD
- 电话号码：+8615216616895
- 邮箱：aydyebin@126.com
学习地点
-
-
-
Shanghai、中国
- 招聘中
- Ruijin Hospital, Shanghai Jiao Tong University School of Medicine
-
接触：
- Bin Ye, MD PhD
- 电话号码：+8615216616895
- 邮箱：aydyebin@126.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
取样方法
概率样本
研究人群
从全国各分中心收集了接受鼻咽喉镜检查并符合研究要求的患者的影像数据。
描述
纳入标准：
- 年龄≥18岁；
- 接受过标准电子鼻咽喉镜检查；
- 接受活检取样的患者有明确的病理诊断；
- 已签署书面知情同意书。
排除标准：
- 图像质量不达标，存在严重运动伪影；
- 病灶图像不清晰、不完整。
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 |
|---|---|
|
模型训练和验证队列
深度学习模型使用训练数据集进行训练，并通过内部验证集进行验证。
|
深度学习模型使用训练数据集进行训练，并通过内部验证集进行测试。
前瞻性数据集用于模型与医生的对比测试。
|
|
前瞻性测试队列
患者前瞻性入组，收集鼻咽喉镜检查视频，并对视频数据进行处理以形成前瞻性测试数据集，然后用于测试。
|
深度学习模型使用训练数据集进行训练，并通过内部验证集进行测试。
前瞻性数据集用于模型与医生的对比测试。
|
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 |
|---|---|---|
|
病灶检测的性能
大体时间：在预期数据收集完成后的3个月内
|
用于异常病变检测的模型的受试者工作特征曲线下面积（ROC-AUC）
|
在预期数据收集完成后的3个月内
|
|
解剖部位识别性能
大体时间：前瞻性数据收集完成后的3个月内
|
该模型识别鼻咽和喉部解剖部位的平均精度（AP）
|
前瞻性数据收集完成后的3个月内
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
模型与医生诊断性能的比较
大体时间：前瞻性数据收集完成后的3个月内
|
AI模型与不同经验年限内镜医师在敏感性、特异性和总体准确性方面的差异
|
前瞻性数据收集完成后的3个月内
|
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 (实际的)
2025年12月12日
初级完成 (估计的)
2026年12月31日
研究完成 (估计的)
2027年3月31日
研究注册日期
首次提交
2025年12月26日
首先提交符合 QC 标准的
2025年12月26日
首次发布 (实际的)
2026年1月8日
研究记录更新
最后更新发布 (实际的)
2026年1月8日
上次提交的符合 QC 标准的更新
2025年12月26日
最后验证
2025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.