Federated Learning in Renal Tumor Model

MI-összefoglaló

A vizsgálat saját részvételi feltételeiből. Gép olvasta ki az oldalon álló regiszterszövegből, ezért tévedhet. Hogy ki vehet részt, azt a lenti regiszterszöveg és a vizsgálat csapata dönti el.

A vizsgálat 18 és 60 év közötti felnőtteket keres, akiknek a vesedaganatát (jóindulatút vagy rosszindulatút) műtéttel vagy mintavétellel igazolták, és kezelés előtt kontrasztanyagos CT-vizsgálaton estek át. Egy MI-rendszert tesztelnek, amely ezeket a CT-képeket elemzi.

Életkor

18 és 60 év között

Nem

Mindkét nem részt vehet.

A betegség stádiuma

Vesedaganat, jóindulatú vagy rosszindulatú, műtéttel vagy mintavétellel igazolva.

Korábbi kezelés

A műtét vagy kezelés előtt kontrasztanyagos vese-CT-vizsgálaton kellett átesnie. Korábban nem lehetett részleges vagy teljes veseeltávolítása vesedaganat miatt, kivéve a visszatért vagy megmaradt daganatot.

A részvétel fő kizáró okai

• Nem volt kontrasztanyagos CT a műtét előtt, vagy csak kontrasztanyag nélküli CT volt
• Mozgás, fémtárgy vagy zaj miatt nehezen értékelhető CT-képek
• Túl kicsi daganat (legnagyobb átmérő 1 mm alatt) vagy a képeken nem azonosítható
• Korábbi részleges vagy teljes veseeltávolítás vesedaganat miatt (a visszatért vagy megmaradt daganat kivételével)
• Hiányos klinikai adatok vagy kórszövettani eredmények

A regiszter feltételei, szó szerint

Nézd meg, megfelelhetsz-e

Magadról válaszolj. Ez nem döntés: hogy részt vehetsz-e, azt csak a vizsgálat csapata mondhatja meg.

• 18 és 60 év között vagy?IgenNem

Mit akar kideríteni a vizsgálat

This is a multicenter, retrospective and prospective diagnostic clinical trial evaluating the effectiveness and safety of CascadeDiagnose Renal Tumor CT, an AI-assisted detection system for renal tumors based on contrast-enhanced multiphase CT imaging. The system employs a cascaded deep learning architecture to perform fully automated analysis of multiphase CT images, covering image quality review, lesion detection and segmentation, benign-malignant differentiation, and risk stratification, with traceable evidence chains and interpretable outputs. The study is conducted across six tertiary hospitals in Guangxi, China, utilizing a distributed "data stays on-site, computation moves across centers" federated learning network, which ensures that original patient data remain within each hospital while encrypted intermediate features are shared for cross-center collaborative analysis. A total of at least 3000 patients with renal tumors will be enrolled (approximately 2600 in the retrospective phase and 400 in the prospective phase). The primary effectiveness outcomes include area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). The primary safety outcomes include false negative rate, false positive rate, and adverse events. The study also incorporates a multi-reader, multi-case (MRMC) design to compare the diagnostic performance of the AI system with radiologists of varying seniority, and to evaluate the system's utility in assisting junior radiologists. The findings of this study are expected to provide high-quality clinical evidence for the regulatory approval of this AI-assisted diagnostic system as a Class III medical device.

A vizsgálat 2 csoportja

• Malignant renal tumor
• Benign renal tumor