Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model

17. září 2026 aktualizováno: Ibrahim Mohamed Ibrahim, Assiut University

AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model: A Comparative Diagnostic Accuracy Study

Chest X-rays are widely used to detect thoracic and lung conditions, but reviewing high volumes of radiographs can lead to workload strain and variation between interpreters. Artificial intelligence (AI), particularly deep learning neural networks like DenseNet-121, has shown strong potential to assist clinicians with automated image interpretation. However, AI models trained on large international datasets, such as CheXpert, may perform differently across distinct patient populations due to variations in imaging technique, patient demographics, and disease presentation.

The primary purpose of this study is to compare the diagnostic accuracy of a DenseNet-121 model trained or fine-tuned on local data against a DenseNet-121 model pretrained on the CheXpert dataset for identifying thoracic pathologies. Both models will evaluate de-identified frontal chest radiographs from adult patients. Model predictions will be compared against a reference standard established by expert radiologist consensus, with discordant findings resolved using chest computed tomography (CT). Findings will evaluate whether local model adaptation improves diagnostic precision and workflow efficiency in clinical settings.

Přehled studie

Postavení

Zatím nenabíráme

Podmínky

Typ studie

Pozorovací

Zápis (Odhadovaný)

100

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

18 let a starší (Dospělý, Starší dospělý)

Přijímá zdravé dobrovolníky

N/A

Pohlaví způsobilá ke studiu

Všechno

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

The study population comprises adult patients aged 18 years and older who undergo frontal chest radiography within institutional radiology departments. Eligible subjects have de-identified, diagnostic-quality frontal chest X-ray images with available reference diagnostic labels verified through expert radiologist consensus and chest CT adjudication. Pediatric cases, non-diagnostic images, incomplete metadata, and duplicate scans are excluded.

Popis

Inclusion Criteria:

  • Adult patients aged 18 years or older.
  • Undergoing frontal chest radiography.
  • Diagnostic-quality frontal chest radiographs.
  • Availability of reference diagnostic labels (verified by expert radiologist consensus or chest CT).

Exclusion Criteria:

  • Pediatric patients (under 18 years of age).
  • Non-diagnostic or poor-quality chest radiographs.
  • Incomplete clinical or imaging metadata.
  • Duplicate radiographic images or repeat patient entries.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

  • Observační modely: COHORT
  • Časové perspektivy: CROSS_SECTIONAL

Kohorty a intervence

Skupina / kohorta
Adult Frontal Chest Radiography Cohort

This cohort includes adult patients aged 18 years and older who undergo diagnostic-quality frontal chest radiography with available reference diagnostic labels. De-identified chest radiographs from this group are evaluated by two deep learning architectures: a study-trained/fine-tuned DenseNet-121 convolutional neural network and a CheXpert-pretrained DenseNet-121 model. Model predictions are evaluated against reference standards derived from expert radiologist consensus, with discordant cases adjudicated via chest computed tomography (CT).

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Area Under the Receiver Operating Characteristic Curve (AUROC)
Časové okno: Baseline

AUROC will be calculated to assess and compare the diagnostic performance of the study-trained DenseNet-121 model versus the CheXpert-pretrained DenseNet-121 model in detecting thoracic pathologies on frontal chest radiographs. AI predictions will be compared against the reference standard of expert radiologist consensus, with discordant findings adjudicated by chest CT. AUROC values range from 0.5 (no discrimination) to 1.0 (perfect discrimination).

Baseline

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Odhadovaný)

1. října 2026

Primární dokončení (Odhadovaný)

1. října 2027

Dokončení studie (Odhadovaný)

1. listopadu 2027

Termíny zápisu do studia

První předloženo

17. září 2026

První předloženo, které splnilo kritéria kontroly kvality

17. září 2026

První zveřejněno (Aktuální)

22. září 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

22. září 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

17. září 2026

Naposledy ověřeno

1. září 2026

Více informací

Termíny související s touto studií

Další identifikační čísla studie

  • AI Chest X-Ray Assessment

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .