本研究测试一种新型声刀超声设备用于甲状腺扫描。它将生成的图像与常规医院超声图像进行比较，以判断哪种图像更清晰。这些图像将有助于构建未来的人工智能工具，以改善诊疗质量。 (THYMAL 01)
2026年8月28日 更新者：Sound Blade Medical Inc.
用于甲状腺成像和机器学习的新型超声探头：一项初步研究
本研究正在测试一种专用于检查颈部小腺体——甲状腺的新型超声设备。
在一次门诊就诊期间，参与者将接受两次安全无痛的扫描：一次是他们通常会接受的常规超声检查，另一次是使用研究设备的扫描。
两次扫描均使用涂抹凝胶的探头接触皮肤进行——无需针头、无辐射，且不会改变他们的医疗护理方案。
研究目的是观察新型超声是否能生成更清晰的图像，并帮助计算机程序更准确地发现和测量甲状腺结节。
未来，这可能有助于医生指导治疗，使其更安全、更有效。
研究概览
详细说明
我们专为甲状腺超声设计的平台，与先进的机器学习算法相结合，将实现甲状腺结节及邻近关键结构的精准检测和描绘，并生成可追踪的三维结节模型，该模型能够引导微创消融治疗，同时提供治疗进展和残留病灶的实时体积量化。
研究设计 本研究将包括两部分。 A部分 - 前瞻性甲状腺成像研究 我们将进行一项前瞻性配对成像研究（n=30），以确定研究用超声设备在检测甲状腺结节及关键结构（颈总动脉、颈内静脉、气管、迷走神经、喉返神经和甲状旁腺）方面的结果/能力是否与标准护理超声设备相当。
B部分 - 机器学习模型开发 将使用从研究设备获取的超声图像和动态视频以及A部分放射科医生的标注，来训练和内部测试一个用于结节和关键结构分割的机器学习模型。 对于外部验证，该机器学习模型将应用于从标准护理超声获取并回顾性从省级影像归档和通信系统检索的匿名甲状腺超声研究（n≈30）。 将评估准确性和精确度，以确定技术有效性和普适性。 机器学习输出仅用于研究；不会基于它们做出临床决策。
研究类型
介入性
注册 (估计的)
30
阶段
- 不适用
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：Deborah Wright, Project Manager, RN
- 电话号码：902-225-6835
- 邮箱：debbie.wright@nshealth.ca
研究联系人备份
- 姓名：Richard Balys, MD, MD
- 电话号码：902-223-8032
- 邮箱：rbalys@gmail.com
学习地点
-
-
Nova Scotia
-
Dartmouth、Nova Scotia、加拿大
- 招聘中
- Nova Scotia Health, Dartmouth
-
接触：
- Deborah Wright, RN
- 电话号码：902-225-6835
- 邮箱：debbie.wright@nshealth.ca
-
-
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：
- 参与者必须年满18岁
- 能够签署知情同意书
- 既往甲状腺超声检查显示已知甲状腺结节，并正在通过系列超声检查对结节进行主动监测
排除标准：
- 无法平躺15分钟
- 活动性颈部伤口、敷料或皮肤病可能干扰颈部超声检查（例如，妨碍探头放置）
- 颈椎或背部疾病可能妨碍颈部伸展，并影响获取准确甲状腺超声图像的能力
- 既往甲状腺手术、面部和颈部放射治疗
- 已知的炎症性甲状腺疾病或甲状腺炎（例如，格雷夫斯病、桥本甲状腺炎）
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：甲状腺超声
计划接受标准护理监测甲状腺结节超声检查的患者将使用声刃超声进行第二次超声检查。
|
计划进行甲状腺结节超声标准监护的患者将使用Sound Blade超声设备进行第二次超声检查。
|
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 |
|---|---|---|
|
可视化甲状腺结节及其他关键解剖结构的能力
大体时间：第 1 天
|
主要终点是比较研究设备与标准超声成像设备在可视化甲状腺结节及其他关键解剖结构方面的能力。
|
第 1 天
|
|
评估机器学习模型的可见性/检测性能
大体时间：第一天
|
将创建一个机器学习模型来识别和分割甲状腺结节及颈部关键解剖结构。
第一个结果将使用标准分类指标评估可见性和检测性能。
|
第一天
|
|
评估机器学习模型的分割性能
大体时间：第 1 天
|
将创建一个机器学习模型，用于识别和分割甲状腺结节及颈部关键解剖结构。
第二个结果将评估在可勾画病例上的性能表现。
|
第 1 天
|
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。
调查人员
- 首席研究员：Richard Bayls, MD、Nova Scotia Health Authority
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9月1日
初级完成 (估计的)
2026年12月31日
研究完成 (估计的)
2027年9月1日
研究注册日期
首次提交
2026年2月27日
首先提交符合 QC 标准的
2026年3月18日
首次发布 (实际的)
2026年3月23日
研究记录更新
最后更新发布 (实际的)
2026年9月1日
上次提交的符合 QC 标准的更新
2026年8月28日
最后验证
2026年8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.