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。

人工智能增强的脑肿瘤手术术中超声 (BrainUS-AI)

2026年9月16日 更新者:Santiago Cepeda、Hospital del Rio Hortega

通过基于人工智能的技术优化脑肿瘤手术中术中超声的使用

术中超声是一种多功能、低成本的成像工具,已被证明能够提高脑肿瘤手术的安全性和有效性。然而,由于其操作依赖性、图像解读的复杂性、伪影的存在以及视野受限,其广泛应用仍然受限。

本项目旨在多中心、非随机设置下,前瞻性评估一种基于实时深度学习的脑肿瘤术中超声分割模型原型。该模型旨在促进手术过程中肿瘤组织的识别,有可能增强术中决策和手术精度。

通过提高术中超声的精确性和可及性,这项创新有望实现更安全、更完整的肿瘤切除,并有可能改善脑肿瘤患者的生存率和生活质量。

研究概览

详细说明

脑肿瘤手术因大脑复杂的解剖结构和这些病变的浸润性特征(通常位于功能区附近)而面临重大挑战。患者生存的关键决定因素之一是肿瘤切除范围,前提是在不损害神经功能的情况下实现切除1。为最大化安全切除,神经外科医生依赖多种术中辅助工具,包括荧光剂、神经导航、直接电刺激和先进的术中成像技术,最显著的是术中磁共振成像(ioMRI)和术中超声(ioUS)2。

尽管ioMRI提供卓越的分辨率和准确性,但其高成本、后勤需求和集成复杂性限制了其仅在少数专业中心可用3。相比之下,ioUS是一种低成本、多功能的模式,能自然融入手术流程4-6。然而,其更广泛采用受到几个因素限制:高度依赖操作者、陡峭的学习曲线,以及与伪影、非标准成像平面、肿瘤与正常脑组织对比度低和视野受限相关的解读挑战。

过去几十年,基于AI的脑肿瘤分割研究已取得显著进展,但大多数工作集中在MRI上7。在ioUS背景下,早期研究如Ritschel等人8证明监督分类模型(如支持向量机)能在对比增强超声中区分肿瘤与健康组织,但这些方法劳动密集且仅限于小数据集。Ilunga-Mbuyamba等人9后来研究了ioUS与MRI的多模态配准以增强分割,但临床可行性受限于精确配准的需求。最近,Canalini等人10和Carton等人11的深度学习方法已应用于分割ioUS图像中的手术腔和肿瘤体积。

最先进的方法,如Faanes等人12报道的使用nnU-Net架构,在公共数据集如RESECT-SEG13和ReMIND14上实现了0.6-0.9的有前景的Dice相似系数。然而,这些模型并非为实时推理设计,且未在实时手术环境中进行验证。其他方法,如Dorent等人15,依赖从术前MRI衍生的合成超声图像,引发了对真实ioUS数据泛化能力的担忧。总体而言,尽管有这些进展,由于ioUS的独特挑战,包括较低的空间分辨率、图像异质性和采集协议的变异性,临床转化仍然有限。

在其他医学领域,AI辅助超声分割已证明实时可行性。例如,Hu等人16实现了基于U-Net的乳腺病变分割模型,以每秒16帧(FPS)运行,Dice分数超过0.75;而Wei等人17应用基于YOLO的检测方法识别颈动脉斑块,以39 FPS达到98.5%的准确率。尽管这些方法高效且准确,类似方法尚未在脑肿瘤手术中使用ioUS进行实施和临床验证。

我们的项目旨在通过进行一项多中心、前瞻性、非随机验证来填补这一空白,验证一个专门为实时术中脑肿瘤超声设计的原型深度学习分割模型。该模型以手术帧率运行,直接在实时超声馈送上自动描绘肿瘤边界,目标是辅助术中决策、在肿瘤学合适时最大化切除范围,并保护神经功能。

本研究建立在我们先前工作的基础上,这些工作为拟议验证奠定了坚实的科学基础。在我们最近的出版物《基于深度学习的2D术中超声图像胶质瘤分割:使用脑肿瘤术中超声数据库(BraTioUS)的多中心研究》18中,我们使用BraTioUS-DB的多中心数据训练和验证了一个脑肿瘤分割的深度学习模型——这是ioUS研究的一个里程碑。在第二项研究《术中超声中的实时脑肿瘤检测:从模型训练到手术室部署》19中,我们开发并在手术室中前瞻性评估了一个实时计算机视觉检测模型。这些贡献共同为推进术中超声中基于AI的实时分割提供了稳健框架,与本研究的目标直接一致。

研究类型

介入性

注册 (估计的)

100

阶段

  • 第三阶段

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

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:

  • 年龄 ≥ 18岁。
  • 计划进行开颅手术并切除脑肿瘤,术中超声(ioUS)计划作为标准手术流程的一部分。
  • 术前MRI可用于手术规划。
  • 能够从患者或法定代表处获得知情同意。

排除标准:

• 由于技术故障或与肿瘤无关的术中并发症导致术中超声(ioUS)图像采集不足。

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:不适用
  • 介入模型:单组作业
  • 屏蔽:无(打开标签)

武器和干预

参与者组/臂
干预/治疗
实验性的:实时AI辅助术中超声分割
接受标准护理脑肿瘤切除术并使用术中超声(ioUS)的参与者,将在手术过程中使用一种基于实时深度学习的原型分割系统,该系统可在实时超声图像上叠加自动肿瘤轮廓描绘。 该工具作为常规术中成像的辅助手段,不强制要求改变手术策略;外科医生仍对术中决策负全责。 技术性能(如分割精度、延迟/帧率、操作稳定性)、可行性/工作流程影响、残留肿瘤检测一致性以及外科医生报告的可用性数据,将在参与中心进行前瞻性收集。
一种基于人工智能的原型设备(软件系统),可在术中超声(ioUS)上对脑肿瘤组织进行实时深度学习分割,并在手术期间将分割结果作为覆盖层显示在实时超声图像上。 该系统用作标准护理ioUS的辅助工具,无需改变计划的手术策略;术中决策仍由外科医生负责。 系统日志记录处理性能(例如,FPS、端到端延迟、运行时间)和输出,用于后续技术验证和工作流程/可用性评估。

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
BrainUS-AI在切除结束时检测残留肿瘤的诊断性能
大体时间:手术期间(基线、切除期间和切除结束),主要评估在切除结束时进行,基于最终术中超声采集。
残留肿瘤存在与否将由BrainUS-AI分割覆盖层在最终术中超声采集时确定(当外科医生认为切除完成时)。 该二元分类(残留存在/不存在)将与术后早期MRI(如有)进行比较(作为参考标准),同时记录其与外科医生术中评估的一致性。 诊断性能将以敏感性、特异性、PPV和NPV及95%置信区间报告,一致性将使用Cohen's kappa进行评估。
手术期间(基线、切除期间和切除结束),主要评估在切除结束时进行,基于最终术中超声采集。

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。

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。

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12月1日

初级完成 (估计的)

2027年12月1日

研究完成 (估计的)

2028年6月1日

研究注册日期

首次提交

2026年1月22日

首先提交符合 QC 标准的

2026年1月22日

首次发布 (实际的)

2026年1月29日

研究记录更新

最后更新发布 (实际的)

2026年9月17日

上次提交的符合 QC 标准的更新

2026年9月16日

最后验证

2026年9月1日

更多信息

与本研究相关的术语

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