- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT04952233
Aplikační hodnota hlubokého učení v diagnostice cervikální spondylózy
Ve srovnání s osobním úsudkem lékařů může hluboké učení identifikovat něco rychleji, efektivněji a přesněji Identifikace a diagnostika nemocí šetří energii klinických a zobrazovacích lékařů a dosahuje individualizované diagnózy pacientů Diagnostika a hodnocení jsou pro formulaci přínosem klinických chirurgických metod a zlepšení prognóz pacientů.
Tato studie využívá technologii hlubokého učení prostřednictvím velkých dat o případech cervikální spondylózy, aby prozkoumala použití hlubokého učení. Proveditelnost identifikace a analýzy charakteristických zobrazovacích nálezů cervikálních CT snímků, které mohou naznačovat diagnózu. úroveň diagnostiky cervikální spondylózy pomocí umělé inteligence.
Přehled studie
Postavení
Podmínky
Detailní popis
Cervikální spondylóza je způsobena cervikálními ploténkami a meziobratlovými klouby a jejich sekundárními změnami na přilehlé míše, nervových kořenech a obratlových tepnách a další tkáňové struktuře, které způsobují odpovídající klinické příznaky. Cervikální spondylóza je časté a časté onemocnění u lidí středního a staršího věku. Výskyt cervikální spondylózy je 10 procent u lidí starších 30 let a je vyšší u těch, kteří pracují u stolu.
Běžné jsou dva druhy cervikální spondylózy: cervikální spondylická radikulopatie a cervikální spondylická myelopatie. Principy léčby se velmi liší, odlišná je i prognóza po léčbě. Přesné předoperační zobrazení a klinická diagnóza jsou užitečné pro přesný odhad účinku operace a prognózy pacientů.
Proto k dosažení včasné přesné diagnózy je zlepšení krční páteře Klíčem k léčebnému efektu onemocnění. Obecně označované jako hluboké učení je druh metody analýzy vzorů, a to prostřednictvím kombinace jednoduchého a nelineárního modulu pro víceúrovňový model „učení znaků“ nebo „said learning“ každého modulu do každé vrstvy (původní vstupní) dat do vyšší úrovně. dimenzi, abstraktnější reprezentace, když je těchto transformací dostatek. Počáteční reprezentace rysů „nízké úrovně“ lze přeměnit na reprezentaci rysů „vysoké úrovně“ a lze dokončit složité učební úkoly, jako je klasifikace.
Pro klasifikační úlohu jsou vlastnosti, které jsou důležité pro klasifikaci, zesíleny zvýšením počtu vrstev a nepodstatné vlastnosti jsou ignorovány.
V současnosti mezi hlavní výzkumné metody patří konvoluční neuronové sítě (CNN), samokódovací neuronové sítě založené na vícevrstvých neuronech a sítě hluboké důvěry. V současné době se CNN využívá především v oblasti lékařského rozpoznávání obrazu.
Například AlexNet, Densenet, VGG16, Googlenet a tak dále. Motivací pro hluboké učení je budování neuronových sítí, které napodobují lidský mozek pro analytické učení. Napodobuje mechanismy lidského mozku pro interpretaci dat, jako jsou obrázky, zvuky a text, a dosáhla významného pokroku v řešení mnoha problémů, které jsou pro tradiční strojové učení obtížně řešitelné.
Metody hlubokého učení se ukázaly jako velmi dobré při objevování složitých struktur ve vysokorozměrných datech.
V oblasti medicíny a zdravotnictví technologie umělé inteligence postupně vyřešila problém interpretace dat různých lékařských snímků, objevila více informací „skrytých“ za snímky, jako je rentgen, CT, MRI atd. postupně realizovat rozpoznání, screening a diagnostiku konkrétního případu až do expertní úrovně diagnózy.
Aplikace technologie umělé inteligence může zároveň snížit zátěž lékařů, omezit chybné lékařské diagnózy a zlepšit efektivitu diagnostiky a léčby.
V současné době je hluboké učení široce používáno při diagnostice a predikci různých onemocnění v různých systémech těla.
Hemke a kol. provedl výzkum strojového učení po manuální segmentaci snímků CT pánve a zjistil, že model hlubokého učení lze použít k automatickému rozpoznání a segmentaci různých typů tkání v pánevní dutině, včetně svalů, kostí, tuku, podkožní tukové tkáně atd. .
Koichiro Yasaka a kol. [8] provedli studii hlubokého učení na bederní páteři a zjistili, že hluboké učení lze použít k predikci hustoty kostí bederní páteře a dalšímu hodnocení závažnosti osteoporózy.
Spampinato a kol. provedli hloubkovou studii na rentgenových snímcích rukou, aby předpověděli věk kostí.
Proto je velmi důležité aplikovat hluboké učení, nově vznikající analytickou techniku, na rozpoznávání zobrazovacích vlastností cervikálních CT snímků. Význam výzkumu je následující:
Přesnou a účinnou předoperační diagnostiku cervikální spondylózy lze provést, aby se zabránilo nadměrnému lékařskému ošetření nebo zpoždění onemocnění způsobenému zmeškanou diagnózou a nesprávnou diagnózou. U pacientů lze dosáhnout individualizované diagnózy a hodnocení, což klinicky pomáhá přiměřeně specifikovat léčebné strategie a přispívá k formulaci klinických chirurgických metod a zlepšení prognózy pacienta.
Typ studie
Zápis (Očekávaný)
Kontakty a umístění
Studijní kontakt
- Jméno: huishu yuan
- Telefonní číslo: 13521627288
- E-mail: chunjiewang17@126.com
Studijní záloha kontaktů
- Jméno: chunjie wang
- Telefonní číslo: 13521627288
- E-mail: chunjiewang17@126.com
Studijní místa
-
-
Beijing
-
Beijing, Beijing, Čína, 010
- Nábor
- Peking University Third Hospital
-
Kontakt:
- Huishu Yuan, Dr
- Telefonní číslo: 13521627288
- E-mail: huishuy@bjmu.edu.cn
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Před zobrazovacím vyšetřením nebyla provedena žádná chirurgická léčba. Zobrazovací zpráva a klinická diagnóza cervikální spondylózy s nebo bez osifikace zadního podélného vazu.
- Pacientky, které navštívily ortopedické oddělení a urgentní příjem naší nemocnice bez chirurgického ošetření před snímkováním a bez zjevných abnormalit na CT cervikálního zobrazení.
Kritéria vyloučení:
- Chirurgický zákrok před pořízením obrazových dat;
- Rakovina děložního čípku, tuberkulóza a zlomeniny;
- Nedostatek obrazových dat, obraz není jasný.
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Jiný
- Časové perspektivy: Retrospektivní
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Porovnejte konzistenci mezi AI a lékaři při identifikaci cervikálních CT znaků (zakřivení děložního hrdla, zarovnání, meziobratlový prostor, herniace ploténky, osifikace zadního podélného vazu, spinální stenóza)
Časové okno: 2019–2021
|
Porovnejte konzistenci mezi AI a lékaři při identifikaci cervikálních CT znaků (zakřivení děložního hrdla, zarovnání, meziobratlový prostor, herniace ploténky, osifikace zadního podélného vazu, spinální stenóza)
|
2019–2021
|
Spolupracovníci a vyšetřovatelé
Sponzor
Vyšetřovatelé
- Studijní židle: Huishu Yuan, Peking University Third Hospital
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Očekávaný)
Dokončení studie (Očekávaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- M2020499
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
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 .