- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT05643612
Algoritmus hlubokého učení pro detekci traumatického poranění sleziny a sekvenční lokalizaci
Trojrozměrný slabě kontrolovaný algoritmus hlubokého učení pro detekci traumatického poranění sleziny a sekvenční lokalizaci
Roztržení sleziny je smrtelné poranění břicha a obvykle je diagnostikováno lékařskými snímky, jako je počítačová tomografie. Hluboké učení bylo prokázáno jeho použití při odhalování abnormalit v lékařských obrazech.
V této studii jsme použili databanku deidentifikovaných registrů k vývoji nového algoritmu založeného na hlubokém učení k detekci traumatu sleziny a k identifikaci míst poranění.
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Detailní popis
Pozadí
Poranění sleziny je nejčastějším solidním viscerálním poraněním u tupého břišního traumatu a břišní počítačová tomografie s vysokým rozlišením (CT) může toto poranění adekvátně detekovat. Tato smrtelná zranění však byla v současné praxi někdy přehlížena. Algoritmy hlubokého učení prokázaly své schopnosti při odhalování abnormálních nálezů v lékařských snímcích. Cílem této studie je vyvinout trojrozměrný algoritmus hlubokého učení bez dozoru pro detekci poranění sleziny na CT břicha pomocí sekvenčního lokalizačního a klasifikačního přístupu.
Materiály a metody
Retrospektivně jsme shromáždili data od pacientů, kteří podstoupili kontrastní CT břicha na pohotovostním oddělení nemocnice Chang Gung Memorial Hospital, Linko, kvůli traumatu a akutnímu břichu od července 2008 do prosince 2017. Všichni pacienti byli registrováni v registrech traumatu a akutního břicha. Byly shromážděny demografické informace, včetně věku, pohlaví, diagnózy onemocnění, mechanismu traumatu, skóre závažnosti poranění, nové skóre závažnosti poranění, zkrácená stupnice poranění a stupeň poranění sleziny. Snímky ukazující poranění sleziny byly identifikovány jako pozitivní a zbývající skeny byly definovány jako negativní kontroly. Identifikovali jsme 300 skenů žilní fáze s poraněním sleziny a náhodně jsme vybrali 300 dalších skenů žilní fáze z negativních kontrol. CT skeny s abdominálním traumatem jiným než poranění sleziny nebyly vyloučeny, aby se snížilo zkreslení výběru. Všechna data byla rozdělena podle věku, pohlaví, přítomnosti poranění sleziny a skóre závažnosti poranění pomocí stratifikovaného vzorkování do vývojového souboru dat a testovacího souboru v poměru 8:2. Jedna osmina vývojové datové sady byla dále vyhrazena jako validační sada během konstrukce modelu.
Předzpracování a označování obrazu
CT snímky byly pořízeny v původním formátu Digital Imaging and Communications in Medicine (DICOM). Snímky byly poté převedeny do formátu Neuroimaging Informatics Technology Initiative, čímž vznikly 3D obrázky založené na voxelu. Náš algoritmus byl poté vyvinut na základě žilních axiálních řezů, nejběžnějšího zobrazovacího směru při průzkumech abdominálních traumat. Během tréninkového procesu bylo aplikováno zvětšení obrazu translací, rotací, změnou měřítka a elastickými deformacemi pro zvýšení zobecnitelnosti modelu.
Úrazový chirurg s 10letou praxí potvrdil všechny pozitivní i negativní skeny. Ve všech skenech byla slezina s okolním pozadím pokryta ručně nakresleným 3D ohraničujícím rámečkem.
Lokalizace sleziny
Lokalizační model byl navržen na základě 3D Faster RCNN s Resnet-101 jako páteřní strukturou a natrénován na vývojovém datovém souboru. Použili jsme křížovou entropii, ohniskovou ztrátu jako ztrátu třídy a ztrátu L1, průnik vzdálenosti přes sjednocení (DIOU) jako ztrátu regrese boxu a přijali jsme průnik přes sjednocení (IOU) a DIOU v nemaximálním potlačení (NMS) pro trénování algoritmus detekce objektů.
Identifikace a vizualizace poranění sleziny
Oříznuté 3D snímky byly použity k vytvoření modelu klasifikace poranění sleziny. Upravili jsme blokovou architekturu, abychom zlepšili interpretovatelnost procesu uvažování naučené sítě. Výstupem modelu byla pravděpodobnost poranění sleziny.
Výkon modelu byl hodnocen pomocí oblasti pod křivkou provozní charakteristiky přijímače (AUROC), přesnosti, citlivosti, specifičnosti, pozitivní prediktivní hodnoty a negativní prediktivní hodnoty.
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
-
Taoyuan, Tchaj-wan, 333
- Chang Gung Memorial Hospital
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- pacientů, kteří podstoupili abdominální počítačovou tomografii na urgentním příjmu pro trauma a akutní břišní vyšetření od července 2008 do prosince 2017.
Kritéria vyloučení:
- nekvalitní obrázky
- žádná kontrastní série obrazů z počítačové tomografie.
- snímky z jiných nemocnic bez řádného vyhodnocení
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Jiný
- Časové perspektivy: Retrospektivní
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
---|---|
skupina poranění sleziny
Retrospektivně jsme shromáždili data od pacientů, kteří podstoupili kontrastní CT břicha na pohotovostním oddělení nemocnice Chang Gung Memorial Hospital, Linko, kvůli traumatu a akutnímu břichu od července 2008 do prosince 2017.
Identifikovali jsme 300 skenů žilní fáze s poraněním sleziny.
|
Sekvenční dvoustupňový 3D rámec detekce poranění sleziny k identifikaci poranění sleziny na CT skenech
|
kontrolní skupina
Retrospektivně jsme shromáždili data od pacientů, kteří podstoupili kontrastní CT břicha na pohotovostním oddělení nemocnice Chang Gung Memorial Hospital, Linko, kvůli traumatu a akutnímu břichu od července 2008 do prosince 2017.
Náhodně jsme vybrali 300 dalších skenů žilní fáze bez poranění sleziny
|
Sekvenční dvoustupňový 3D rámec detekce poranění sleziny k identifikaci poranění sleziny na CT skenech
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Diagnostická přesnost
Časové okno: 3 dny
|
Diagnostická přesnost algoritmu hlubokého učení pro detekci poranění sleziny
|
3 dny
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Porovnání rozdílové páteře algoritmu
Časové okno: 3 dny
|
Rozdíl diagnostické přesnosti mezi různými infrastrukturami algoritmu hlubokého učení
|
3 dny
|
Spolupracovníci a vyšetřovatelé
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: Chien-Hung Liao, MD., Chang Gung Memorial Hospital
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Odhad)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhad)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- SpleenTrNet
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
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 .
Klinické studie na Strojové učení
-
Orsi AcademyDokončeno
-
Maastricht University Medical CenterAktivní, ne náborAktinické keratózy | Dermatologie | E-learningHolandsko
-
Bahria UniversityNáborCovid-19 | Student medicíny | E-learningPákistán
Klinické studie na Algoritmus hlubokého učení
-
Medtronic Bakken Research CenterMedtronicUkončenoSrdeční selhání | Fibrilace síní | Náhlá srdeční smrtNěmecko
-
Antoine FourréUniversiteit Antwerpen; University of Mons; University of Picardie Jules VerneDokončenoBolesti v kříži | Fyzikální terapie | Znalosti, postoje, praxe | LékařiBelgie
-
McMaster UniversityZatím nenabíráme
-
University of UtahDokončenoSystémy podpory rozhodování, klinické | Algoritmy | Průjem Infekční | Klinické rozhodováníBangladéš, Mali
-
Ablacon, Inc.Aktivní, ne náborPatologické procesy | Srdeční choroba | Kardiovaskulární choroby | Fibrilace síní | Arytmie, srdeční | Fibrilace síní, přetrvávajícíSpojené státy
-
Rigshospitalet, DenmarkDokončeno
-
Vilnius UniversityZápis na pozvánkuPotravinová alergie u dětí | Potravinová alergie u kojencůLitva
-
Centre Hospitalier Universitaire VaudoisNáborPoruchou autistického spektraŠvýcarsko
-
Maastricht University Medical CenterDokončeno
-
Radboud University Medical CenterMaastricht University Medical Center; ZonMw: The Netherlands Organisation for... a další spolupracovníciDokončenoDyspepsie | Špatné tráveníHolandsko