基于内镜超声的多模态、多类别诊断实性胰腺病变的人工智能系统
2026年1月23日 更新者：Qilu Hospital of Shandong University
基于超声内镜的胰腺实性病变多模态、多类别人工智能诊断系统
本研究旨在验证一种名为iEUS-SPL（智能内镜超声系统-胰腺实性病变）的人工智能系统，用于在内镜超声（EUS）检查中检测并进行多模态、多类别诊断胰腺实性病变。
研究概览
详细说明
这是一项采用前瞻性队列设计的观察性研究。
我们开发了一个名为iEUS-SPL的人工智能系统，用于通过内镜超声图像、内镜超声特征、临床数据以及回顾性收集的接受EUS检查患者的影像特征，对实体胰腺病变进行多模态、多类别诊断。
iEUS-SPL在识别实体胰腺病变方面的病变检出率和诊断性能，将通过前瞻性入组病例的实时EUS扫描视频进行评估。
研究类型
观察性的
注册 (估计的)
383
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：Zhen Li
- 电话号码：18560086106
- 邮箱：qilulizhen@sdu.edu.cn
学习地点
-
-
Shandong
-
Jinan、Shandong、中国、250012
- 招聘中
- Qilu Hospital of Shandong University
-
接触：
- Zhen Li, doctor
- 电话号码：18560086106
- 邮箱：qilulizhen@sdu.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
是的
取样方法
非概率样本
研究人群
接受内镜超声检查的疑似胰腺实性病变成年患者。
描述
纳入标准：
- 年龄≥18岁，基于临床症状、病史、实验室检查或影像学检查疑似患有胰腺实性病变并计划接受超声内镜检查的患者，同意参与研究并能签署知情同意书。
- 既往无胰腺病变治疗史的患者。
排除标准：
- 存在超声内镜检查绝对禁忌症的患者。
- 妊娠期或哺乳期。
- 无法纠正的凝血功能障碍（PTT>50秒或INR>1.5）和/或无法纠正的血小板减少症（血小板计数<50×10^9/L）。
- 上消化道梗阻。
- 因其他胸部和/或腹部器官病变接受过手术治疗或胰腺解剖结构改变的患者，以及存在先天性解剖异常的患者。
- 曾接受胆管/胰管支架置入术的患者。
- 拒绝签署知情同意书的患者。
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 |
|---|---|
|
接受超声内镜检查的患者
年龄≥18岁、基于临床症状、病史、实验室检查或影像学检查疑似胰腺实性病变并计划接受超声内镜检查的患者，同意参与研究并能够签署知情同意书。
|
iEUS-SPL将自动检测胰腺实性病灶，并整合患者的内镜超声图像、内镜超声特征、临床数据和影像学特征，对病灶进行五分类诊断，将其归类为胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎和慢性胰腺炎。
|
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 |
|---|---|---|
|
iEUS-SPL 对实性胰腺病变诊断的准确性
大体时间：手术期间
|
本研究的主要目的是评估iEUS-SPL在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的准确性。
|
手术期间
|
|
iEUS-SPL对胰腺实性病变的敏感度
大体时间：手术期间
|
该研究的主要结果是评估iEUS-SPL在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的敏感性。
|
手术期间
|
|
iEUS-SPL对实性胰腺病变的特异性
大体时间：手术期间
|
该研究的主要结果是评估iEUS-SPL在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的特异性。
|
手术期间
|
|
iEUS-SPL对胰腺实体病变的阳性预测价值
大体时间：手术期间
|
本研究的主要结果是评估iEUS-SPL在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎、慢性胰腺炎）中的阳性预测值。
|
手术期间
|
|
iEUS-SPL 对实体胰腺病变的阴性预测值
大体时间：手术过程中
|
该研究的主要结局是评估iEUS-SPL在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎、慢性胰腺炎）中的阴性预测价值。
|
手术过程中
|
|
iEUS-SPL检测胰腺实性病变的病灶检出率
大体时间：手术过程中
|
本研究的主要结局是评估iEUS-SPL识别胰腺实性病变的检出率（定义为检测到的病变数量除以病变总数）。
|
手术过程中
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
iEUS-SPL与超声内镜医师之间准确性的比较
大体时间：手术期间
|
本研究的次要结局是比较iEUS-SPL与不同水平内镜超声医师在识别胰腺实性病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的准确性。
|
手术期间
|
|
iEUS-SPL与内镜超声医师之间敏感性的比较
大体时间：手术期间
|
该研究的次要结局是比较iEUS-SPL与不同水平内镜超声医师在识别胰腺实性病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的敏感性。
|
手术期间
|
|
iEUS-SPL与内镜超声医师特异性的比较
大体时间：手术过程中
|
本研究的次要结果是比较iEUS-SPL与不同水平的内镜超声医师在识别胰腺实性病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的特异性。
|
手术过程中
|
|
iEUS-SPL与内镜超声医师之间阳性预测值的比较
大体时间：手术过程中
|
本研究的次要结果是比较iEUS-SPL与不同级别超声内镜医师在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎、慢性胰腺炎）时的阳性预测值。
|
手术过程中
|
|
iEUS-SPL与内镜超声医师阴性预测价值的比较
大体时间：手术期间
|
本研究的次要结局是比较内镜超声引导下细针穿刺活检（iEUS-SPL）与不同水平内镜超声医师在识别实性胰腺病变（包括胰腺癌、胰腺神经内分泌肿瘤、实性假乳头状肿瘤、自身免疫性胰腺炎、慢性胰腺炎）方面的阴性预测值。
|
手术期间
|
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。
一般刊物
- Wu HL, Yao LW, Shi HY, Wu LL, Li X, Zhang CX, Chen BR, Zhang J, Tan W, Cui N, Zhou W, Zhang JX, Xiao B, Gong RR, Ding Z, Yu HG. Validation of a real-time biliopancreatic endoscopic ultrasonography analytical device in China: a prospective, single-centre, randomised, controlled trial. Lancet Digit Health. 2023 Nov;5(11):e812-e820. doi: 10.1016/S2589-7500(23)00160-7. Epub 2023 Sep 27.
- Oh CK, Kim T, Cho YK, Cheung DY, Lee BI, Cho YS, Kim JI, Choi MG, Lee HH, Lee S. Convolutional neural network-based object detection model to identify gastrointestinal stromal tumors in endoscopic ultrasound images. J Gastroenterol Hepatol. 2021 Dec;36(12):3387-3394. doi: 10.1111/jgh.15653. Epub 2021 Aug 16.
- Bang JY, Saftoiu A, Udristoiu A, Gruionu L, Codruta Gheorghe E, Gruionu G, Ramesh J, Wilcox CM, Varadarajulu S. Prospective clinical validation of a novel artificial intelligence system for real-time detection of solid pancreatic masses during endoscopic ultrasonography. Endoscopy. 2025 Oct 13. doi: 10.1055/a-2701-6530. Online ahead of print.
- Cui H, Zhao Y, Xiong S, Feng Y, Li P, Lv Y, Chen Q, Wang R, Xie P, Luo Z, Cheng S, Wang W, Li X, Xiong D, Cao X, Bai S, Yang A, Cheng B. Diagnosing Solid Lesions in the Pancreas With Multimodal Artificial Intelligence: A Randomized Crossover Trial. JAMA Netw Open. 2024 Jul 1;7(7):e2422454. doi: 10.1001/jamanetworkopen.2024.22454.
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6.
- Dahiya DS, Al-Haddad M, Chandan S, Gangwani MK, Aziz M, Mohan BP, Ramai D, Canakis A, Bapaye J, Sharma N. Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Cancer: Where Are We Now and What Does the Future Entail? J Clin Med. 2022 Dec 16;11(24):7476. doi: 10.3390/jcm11247476.
- Kim YH, Kim GH, Kim KB, Lee MW, Lee BE, Baek DH, Kim DH, Park JC. Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. J Clin Med. 2020 Sep 29;9(10):3162. doi: 10.3390/jcm9103162.
- Qin X, Zhang M, Zhou C, Ran T, Pan Y, Deng Y, Xie X, Zhang Y, Gong T, Zhang B, Zhang L, Wang Y, Li Q, Wang D, Gao L, Zou D. A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma. Cancer Med. 2023 Aug;12(16):17005-17017. doi: 10.1002/cam4.6335. Epub 2023 Jul 17.
- Tian S, Shi H, Chen W, Li S, Han C, Du F, Wang W, Wen H, Lei Y, Deng L, Tang J, Zhang J, Lin J, Shi L, Ning B, Zhao K, Miao J, Wang G, Hou H, Huang X, Kong W, Jin X, Ding Z, Lin R. Artificial intelligence-based diagnosis of standard endoscopic ultrasonography scanning sites in the biliopancreatic system: a multicenter retrospective study. Int J Surg. 2024 Mar 1;110(3):1637-1644. doi: 10.1097/JS9.0000000000000995.
- Oh S, Kim YJ, Park YT, Kim KG. Automatic Pancreatic Cyst Lesion Segmentation on EUS Images Using a Deep-Learning Approach. Sensors (Basel). 2021 Dec 30;22(1):245. doi: 10.3390/s22010245.
- Norton ID, Zheng Y, Wiersema MS, Greenleaf J, Clain JE, Dimagno EP. Neural network analysis of EUS images to differentiate between pancreatic malignancy and pancreatitis. Gastrointest Endosc. 2001 Nov;54(5):625-9. doi: 10.1067/mge.2001.118644.
- Nakamura H, Fukuda M, Matsuda A, Makino N, Kimura H, Ohtaki Y, Nawa Y, Oyama S, Suzuki Y, Kobayashi T, Ishizawa T, Kakizaki Y, Ueno Y. Differentiating localized autoimmune pancreatitis and pancreatic ductal adenocarcinoma using endoscopic ultrasound images with deep learning. DEN Open. 2024 Mar 2;4(1):e344. doi: 10.1002/deo2.344. eCollection 2024 Apr.
- Dhali A, Kipkorir V, Srichawla BS, Kumar H, Rathna RB, Ongidi I, Chaudhry T, Morara G, Nurani K, Cheruto D, Biswas J, Chieng LR, Dhali GK. Artificial intelligence assisted endoscopic ultrasound for detection of pancreatic space-occupying lesion: a systematic review and meta-analysis. Int J Surg. 2023 Dec 1;109(12):4298-4308. doi: 10.1097/JS9.0000000000000717.
- Das A, Nguyen CC, Li F, Li B. Digital image analysis of EUS images accurately differentiates pancreatic cancer from chronic pancreatitis and normal tissue. Gastrointest Endosc. 2008 May;67(6):861-7. doi: 10.1016/j.gie.2007.08.036. Epub 2008 Jan 7.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Kuraishi Y, Fumihara D, Yanaidani T, Ishikawa S, Yasuda T, Yamada M, Onishi S, Yamada K, Tanaka T, Tajika M, Niwa Y, Yamaguchi R, Shimizu Y. Artificial intelligence using deep learning analysis of endoscopic ultrasonography images for the differential diagnosis of pancreatic masses. Endoscopy. 2023 Feb;55(2):140-149. doi: 10.1055/a-1873-7920. Epub 2022 Jun 10.
- Tian G, Xu D, He Y, Chai W, Deng Z, Cheng C, Jin X, Wei G, Zhao Q, Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography. Front Oncol. 2022 Oct 7;12:973652. doi: 10.3389/fonc.2022.973652. eCollection 2022.
- Qin X, Ran T, Chen Y, Zhang Y, Wang D, Zhou C, Zou D. Artificial Intelligence in Endoscopic Ultrasonography-Guided Fine-Needle Aspiration/Biopsy (EUS-FNA/B) for Solid Pancreatic Lesions: Opportunities and Challenges. Diagnostics (Basel). 2023 Sep 26;13(19):3054. doi: 10.3390/diagnostics13193054.
- Goyal H, Sherazi SAA, Gupta S, Perisetti A, Achebe I, Ali A, Tharian B, Thosani N, Sharma NR. Application of artificial intelligence in diagnosis of pancreatic malignancies by endoscopic ultrasound: a systemic review. Therap Adv Gastroenterol. 2022 Apr 29;15:17562848221093873. doi: 10.1177/17562848221093873. eCollection 2022.
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9月1日
初级完成 (估计的)
2028年6月30日
研究完成 (估计的)
2028年6月30日
研究注册日期
首次提交
2025年12月24日
首先提交符合 QC 标准的
2026年1月23日
首次发布 (实际的)
2026年2月2日
研究记录更新
最后更新发布 (实际的)
2026年2月2日
上次提交的符合 QC 标准的更新
2026年1月23日
最后验证
2025年9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.