Udvikling og validering af et dybt læringssystem for flere øjenfundussygdomme ved hjælp af nethindebilleder
Udvikling og validering af et dybt læringssystem for flere øjenfundussygdomme ved hjælp af nethindebilleder: en multicenter prospektiv undersøgelse
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Forventet)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Haotian Lin, PhD
- Telefonnummer: 13802793086
- E-mail: gddlht@aliyun.com
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510060
- Rekruttering
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
Kontakt:
- Haotian Lin, Ph.D
- Telefonnummer: +86-020-87330274
- E-mail: gddlht@aliyun.com
-
Ledende efterforsker:
- Haotian Lin, Ph.D
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Kvaliteten af fundusbilleder bør være klinisk acceptabel. Mere end 80 % af fundus-billedområdet inklusive fire hovedområder (optisk disk, makulær, øvre og nedre nethindekarbuer) er lette at læse og skelne mellem.
Ekskluderingskriterier:
- Billeder med lyslækage (>30 % af området), pletter fra linseudbrud eller pletter og overeksponering blev udelukket fra yderligere analyse.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Andet
- Tidsperspektiver: Andet
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Træningsdatasæt
Nethindebilleder indsamlet fra hospitaler og flere screeningssteder over hele Kina
|
|
|
Valideringsdatasæt
Nethindebilleder adskilt fra træningsdatasæt
|
Træningsdatasæt blev brugt til at træne deep learning-modellen, som blev valideret og testet af to andre datasæt.
|
|
Test af datasæt
Nethindebilleder, der prospektivt er indsamlet fra hospitalerne og screeningssteder for øjensygdomme, der er totalt forskellige fra træningsdatasættet
|
Træningsdatasæt blev brugt til at træne deep learning-modellen, som blev valideret og testet af to andre datasæt.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Areal under modtagerens funktionskarakteristiske kurve for deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne arealet under modtagerens funktionskarakteristiske kurve for dybt læringssystem og sammenligne dette indeks mellem dybt læringssystem og menneskelige læger.
|
baseline
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Det dybe læringssystems følsomhed
Tidsramme: baseline
|
Efterforskerne vil beregne følsomheden af deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger.
|
baseline
|
|
Specificitet af deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne specificiteten af deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger.
|
baseline
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Publikationer og nyttige links
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Forventet)
Primær færdiggørelse
Studieafslutning (Forventet)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- CCPMOH2019- China8
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .