基于EUS和多模态数据的人工智能在胰腺囊性病变管理中的应用
2026年3月5日 更新者：Bin Cheng、Huazhong University of Science and Technology
基于内镜超声和临床信息的多模态人工智能模型用于胰腺囊性病变亚型诊断与临床管理
主要目标是构建一个基于内镜超声（EUS）图像和临床数据（如CT或MRI影像特征及实验室检查）的多模态AI模型（Cyst-AI），以辅助内镜医师诊断胰腺囊性病变（PCLs），主要区分黏液性与非黏液性病变。
次要目标是评估该模型在PCLs患者风险分层和临床管理中的有效性。
研究概览
详细说明
随着医学影像技术的发展，胰腺囊性病变（PCLs）的检出率显著提高。
尽管大多数囊肿是良性的，但相当一部分具有恶性转化的潜力。
临床管理基于诊断和风险分层。
对于PCLs，不同的诊断和风险分层会导致完全不同的临床策略和结果，这与患者的生活质量、经济负担和心理压力密切相关。
内镜超声（EUS）在PCLs的进一步鉴别诊断中发挥了关键作用。
人工智能（AI）在临床诊断和管理中也显示出巨大潜力。
因此，我们计划回顾性收集患者的EUS影像数据、放射学和实验室检查以及其他临床信息，构建一个名为Cyst-AI的模型，该模型集成了诊断和临床管理功能，以辅助临床决策。
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 Cheng
- 电话号码：86-13986097542
- 邮箱：b.cheng@tjh.tjmu.edu.cn
学习地点
-
-
Hubei
-
Wuhan、Hubei、中国、430030
- 招聘中
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
接触：
- Bin Cheng
- 电话号码：+8613986097542
- 邮箱：b.cheng@tjh.tjmu.edu.cn
-
Wuhan、Hubei、中国、430030
- 尚未招聘
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
接触：
- Bin Cheng
- 电话号码：86-13986097542
- 邮箱：b.cheng@tjh.tjmu.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
不
取样方法
非概率样本
研究人群
该队列将从中国的多家医院中选出，包括华中科技大学同济医学院附属同济医院。
描述
纳入标准：
- EUS结果显示胰腺囊性或囊样病变的患者；
- 黏液性病变：包括黏液性囊性肿瘤（MCN）、导管内乳头状黏液性肿瘤（IPMN）；
- 非黏液性病变：包括胰腺假性囊肿、浆液性囊性肿瘤（SCN）、囊性神经内分泌肿瘤（cNET）。
排除标准：
- 年龄小于18岁的患者；
- 在EUS检查前已接受胰腺手术的患者；
- 在EUS检查前已接受胰腺肿瘤化疗和放疗的患者；
- 病理结果显示胰腺病变为其他部位转移性病变；
- EUS图像或报告缺失的患者；
- EUS图像质量不符合审查要求，例如成像模糊或包含伪影、活检针、测量刻度或其他不属于原始EUS图像的额外标注；
- 最终诊断不明确的患者。
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 |
|---|---|
|
囊肿-EUS
本队列纳入了2026年之前患有胰腺囊性病变或囊样物质病变并具备EUS图像的患者。
|
多中心收集的数据将被分为训练集、验证集和测试集，用于开发和测试囊肿-AI模型。
|
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 |
|---|---|---|
|
该诊断模型在区分黏液性与非黏液性胰腺囊性病变方面的表现
大体时间：在诊断模型训练完成后的3个月内。
|
Cyst-AI诊断模型的性能将使用受试者工作特征曲线下面积（AUC-ROC）进行评估，并根据模型在独立验证数据集上的预测结果计算敏感性、特异性、准确性、阳性预测值（PPV）和阴性预测值（NPV）。
PCLs：胰腺囊性病变。
|
在诊断模型训练完成后的3个月内。
|
|
用于黏液性PCLs的临床管理模型的风险分层性能
大体时间：在风险分层模型训练完成后的3个月内。
|
Cyst-AI风险分层模型将病变正确分类为“低风险”、“中风险”和“高风险”的性能，将通过受试者工作特征曲线下面积（AUC-ROC）进行评估，并使用模型在独立验证数据集上的预测结果计算灵敏度、特异度、准确度、阳性预测值（PPV）和阴性预测值（NPV）。
PCLs：胰腺囊性病变。
|
在风险分层模型训练完成后的3个月内。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
诊断模型在区分特定类型PCLs方面的性能
大体时间：在诊断模型训练完成后的3个月内。
|
Cyst-AI诊断模型的性能将通过受试者工作特征曲线下面积（AUC-ROC）进行评估，同时基于模型在独立验证数据集上的预测结果计算灵敏度、特异性、准确度、阳性预测值（PPV）和阴性预测值（NPV）。
PCLs：胰腺囊性病变。
|
在诊断模型训练完成后的3个月内。
|
|
黏液性PCLs临床管理模式的临床管理表现
大体时间：在完成临床管理模式培训后的3个月内。
|
Cyst-AI临床管理模型提供准确临床建议的性能，将通过受试者工作特征曲线下面积（AUC-ROC）进行评估，同时根据模型在独立验证数据集上的预测结果计算敏感性、特异性、准确性、阳性预测值（PPV）和阴性预测值（NPV）。
PCLs：胰腺囊性病变。
|
在完成临床管理模式培训后的3个月内。
|
|
该模型在协助不同水平内镜医师诊断和管理胰腺囊性病变（PCLs）方面的表现
大体时间：在完成人机对抗交叉研究后的1个月内
|
Cyst-AI模型辅助内镜医师的性能将通过受试者工作特征曲线下面积（AUC-ROC）进行评估，同时根据模型在独立验证数据集上的预测结果计算灵敏度、特异度、准确度、阳性预测值（PPV）和阴性预测值（NPV）。
PCLs：胰腺囊性病变。
|
在完成人机对抗交叉研究后的1个月内
|
|
该模型对内镜医师决策过程的影响
大体时间：在完成人机对抗交叉研究后的1个月内。
|
评估后内镜医师问卷将用于评估影响程度。
|
在完成人机对抗交叉研究后的1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1月1日
初级完成 (估计的)
2026年4月1日
研究完成 (估计的)
2026年6月1日
研究注册日期
首次提交
2025年12月9日
首先提交符合 QC 标准的
2026年3月5日
首次发布 (实际的)
2026年3月11日
研究记录更新
最后更新发布 (实际的)
2026年3月11日
上次提交的符合 QC 标准的更新
2026年3月5日
最后验证
2026年3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.