Realistické při generování obrazů buněk HEp-2 pomocí modelů latentní difúze: Multicentrický vizuální Turingův test
Hodnocení realismu ANA HEp-2 buněčných obrazů syntetizovaných pomocí modelů latentní difúze: Multicentrický vizuální Turingův test
Cílem této prospektivní observační studie je důsledně prozkoumat proveditelnost a účinnost využití modelů latentní difúze pro augmentaci dat v imunofluorescenčních snímcích Hep-2 buněk anti-nukleární protilátky (ANA). Hlavní otázka, na kterou chce odpovědět, je:
Může aplikace takových modelů potenciálně zvýšit kvalitu dat, zvýšit rozmanitost vzorků nebo zlepšit přesnost a efektivitu následných analytických procesů (jako je diagnostika a klasifikace onemocnění), pokud jsou použity se snímky souvisejícími s ANA?
Přehled studie
Postavení
Intervence / Léčba
Detailní popis
Zásadním problémem biomedicínského výzkumu je nízký počet dostupných pozorování, většinou z důvodu nedostatku dostupných biologických vzorků, neúměrných nákladů nebo etických důvodů. Rozšíření několika skutečných pozorování o vzorky generované in silico by mohlo vést k robustnějším výsledkům analýzy a vyšší míře reprodukovatelnosti. Zde vyšetřovatelé navrhují použít učení bez dozoru s modely latentní difúze pro realistické generování obrazových dat ANA-IIF.
Vyšetřovatelé předpokládají, že generování obrazu ANA-IIF bude realistické, pokud bude těžké je odlišit (falešný) od skutečného (pravého). K otestování této hypotézy vyšetřovatelé předkládají Multi-center Visual Turing testy (https://turing.rednoble.net/), aby vyhodnotili kvalitu generovaných (falešných) obrázků.
Toto experimentální nastavení umožňuje vyšetřovatelům ověřit celkovou kvalitu generovaných ANA-IIF snímků, které pak lze použít k (1) školení cytopatologů pro vzdělávací účely a (2) generování realistických vzorků pro trénování hlubokých sítí s velkými daty.
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Junxiang Zeng, Dr
- Telefonní číslo: +8613162232879
- E-mail: zengjunxiang@xinhuamed.com.cn
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Pochází z renomovaných lékařských institucí
- Vlastní příslušnou certifikaci a kvalifikaci
- Více než rok zkušeností s interpretací vzorů antinukleárních protilátek (ANA) v laboratorním prostředí
Kritéria vyloučení:
- Chybí příslušné odborné osvědčení a kvalifikace
- Bez zkušeností s interpretací vzorců ANA
- Neochota přijmout pravidla a informovaný souhlas vizuálního Turingova testu
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Odborníci
s více než 20 lety zkušeností se čtením ANA-IIF
|
určení typu vzoru ANA s odkazem na výsledky výstupu modelu AI nebo bez něj.
|
|
mladší cytopatologové
méně než 5 let akademické lékařské praxe
|
určení typu vzoru ANA s odkazem na výsledky výstupu modelu AI nebo bez něj.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Realističnost obrazů syntetizovaných difúzními modely
Časové okno: Základní linie
|
Vyšetřovatelé provedli studii za použití vizuální Turingovy testovací metody, měření prostřednictvím formátu dotazníku, a výsledky měření hodnotili pomocí 5bodové Likertovy škály. 5bodová Likertova škála hodnotí názory účastníků na kvalitu snímků prostřednictvím pěti možností odezvy: Skutečná, Hodně podobná, Nejistá, Ne úplně podobná, Falešná. Vypočítává skóre tak, že těmto možnostem přiřadí čísla (např. 5 ku 1) a sečte skóre pro každého účastníka. Výsledky jsou hodnoceny analýzou distribuce skóre, včetně středních skóre, a hodnocením jejich spolehlivosti a platnosti. Kromě toho výzkumník vypočítal řadu parametrů používaných pro hodnocení interního modelu, včetně: přesnosti, paměti, skóre F1 a průměrné průměrné přesnosti (mAP). |
Základní linie
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Dopad výstupu modelu AI na účastníky
Časové okno: Základní linie
|
Vyšetřovatel vyhodnotil změnu v míře přesnosti interpretací účastníků před a po pomoci modelu AI, vyšetřovatelé provedou srovnávací analýzu.
Kromě toho výzkumník vypočítá koeficient shody Kappa mezi lidskými interpretacemi a modelem a vyhodnotí, zda existují rozdíly v přesnosti mezi cytopatology s různou úrovní zkušeností, když jim pomáhá AI.
|
Základní linie
|
|
Doba potřebná k interpretaci vzoru ANA
Časové okno: Základní linie
|
Vyšetřovatel porovná čas, který účastník potřebuje k dokončení interpretací před a po zásahu modelu AI, a posoudí, zda došlo ke zkrácení průměrné doby interpretace na případ, z X minut před asistence AI na Y minut po AI.
|
Základní linie
|
Spolupracovníci a vyšetřovatelé
Vyšetřovatelé
- Ředitel studie: Guangyu Chen, PhD, Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine
Publikace a užitečné odkazy
Obecné publikace
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Užitečné odkazy
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Odhadovaný)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
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 identifikační čísla studie
- XH-24-007
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (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 .