Меню
Идёт набор NCT07073430

Application Evaluation Research on the Artificial Intelligence-assisted Support System for the Diagnosis of Colorectal Tubular Adenoma Lesions

— Наблюдательное Colorectal Adenoma Artificial Intelligence (AI)

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: AI models with NBI.
Кому может быть актуально
Состояния в реестре: Colorectal Adenoma, Artificial Intelligence (AI). Базовые параметры: от 18 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Китай
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Обзор

This study is a prospective,multi-center and observational clinical study.Investigators would like to innovatively construct a "trinity" database of colorectal tubular adenomas based on white light - magnifying chromo - pathological images.It simulates the decision - making logic of doctors, and based on the multimodal endoscopic LAFEQ method previously proposed, develop a multimodal deep - learning diagnostic model for colon adenomas and an interpretable risk prediction model for intestinal adenomas. While achieving high - precision auxiliary treatment decisions, clearly present the decision - making basis, and break through the limitation of poor interpretability of previous medical imaging AI models.

Вмешательства

  • Устройство AI models with NBI
    AI models for detecting intestinal adenoma in magnifying endoscopy with NBI.

Первичные конечные точки

  • The accuracy rate of diagnosing adenomas [Срок оценки: during endoscopy]
Вторичные конечные точки (1)
  • The prediction for the disease risk level [Срок оценки: during endoscopy]

Критерии участия

Критерии включения

  • Patients aged ≥ 18 years, who need to undergo colonoscopy, regardless of gender.
  • Voluntarily sign the informed consent form
  • Promise to abide by the research procedures and cooperate in the implementation of the entire research process.

Критерии исключения

  • Patients who has a history of abdominal or pelvic surgery or radiotherapy in the past;
  • Patients who has definite active lower gastrointestinal bleeding.
  • Existing or suspected hereditary colorectal polyposis, inflammatory bowel disease;
  • Uncontrolled hypertension (systolic blood pressure > 160 mmHg or diastolic blood pressure > 95 mmHg after standardized treatment)
  • There is a history of stroke, coronary artery disease, or vascular disease;
  • Pregnant;
  • Intestinal preparation cannot be carried out.

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Случай-кроссовер

Центры проведения

Китай · 1 центр
  • Renmin Hospital of Wuhan University — Ухань

Публикации

  • Li J, Zhu Y, Dong Z, He X, Xu M, Liu J, Zhang M, Tao X, Du H, Chen D, Huang L, Shang R, Zhang L, Luo R, Zhou W, Deng Y, Huang X, Li Y, Chen B, Gong R, Zhang C, Li X, Wu L, Yu H. Development and validation of a feature extraction-based logical anthropomorphic diagnostic system for early gastric cancer: A case-control study. EClinicalMedicine. 2022 Mar 30;46:101366. doi: 10.1016/j.eclinm.2022.101366 PMID 35521066
  • Dekker E, Rex DK. Advances in CRC Prevention: Screening and Surveillance. Gastroenterology. 2018 May;154(7):1970-1984. doi: 10.1053/j.gastro.2018.01.069. Epub 2018 Feb 15. PMID 29454795
  • Zhou T, Cheng Q, Lu H, Li Q, Zhang X, Qiu S. Deep learning methods for medical image fusion: A review. Comput Biol Med. 2023 Jun;160:106959. doi: 10.1016/j.compbiomed.2023.106959. Epub 2023 Apr 20. PMID 37141652
  • Tempany CM, Jayender J, Kapur T, Bueno R, Golby A, Agar N, Jolesz FA. Multimodal imaging for improved diagnosis and treatment of cancers. Cancer. 2015 Mar 15;121(6):817-27. doi: 10.1002/cncr.29012. Epub 2014 Sep 9. PMID 25204551
  • Wang Y, Zhen L, Tan TE, Fu H, Feng Y, Wang Z, Xu X, Goh RSM, Ng Y, Calhoun C, Tan GSW, Sun JK, Liu Y, Ting DSW. Geometric Correspondence-Based Multimodal Learning for Ophthalmic Image Analysis. IEEE Trans Med Imaging. 2024 May;43(5):1945-1957. doi: 10.1109/TMI.2024.3352602. Epub 2024 May 2. PMID 38206778
  • van der Velden BHM, Kuijf HJ, Gilhuijs KGA, Viergever MA. Explainable artificial intelligence (XAI) in deep learning-based medical image analysis. Med Image Anal. 2022 Jul;79:102470. doi: 10.1016/j.media.2022.102470. Epub 2022 May 4. PMID 35576821
  • Stahlschmidt SR, Ulfenborg B, Synnergren J. Multimodal deep learning for biomedical data fusion: a review. Brief Bioinform. 2022 Mar 10;23(2):bbab569. doi: 10.1093/bib/bbab569. PMID 35089332
  • Haight TJ, Eshaghi A. Deep Learning Algorithms for Brain Imaging: From Black Box to Clinical Toolbox? Neurology. 2023 Mar 21;100(12):549-550. doi: 10.1212/WNL.0000000000206808. Epub 2023 Jan 13. No abstract available. PMID 36639238

Идентификаторы

NCT: NCT07073430 · WDRY2024-K153

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗