Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Deep Learning of Knee Joint MRI Intelligent Detection

8. juli 2021 opdateret af: Peking University Third Hospital
Knee joint is the most common part of sports injury. MRI is a powerful tool to diagnose knee joint injury. However, it takes a long time to read the film, needs a lot, and some hidden injuries have a high rate of missed diagnosis. The emerging deep learning technology can establish automatic recognition model through large samples. A large sample of knee joint MRI was collected retrospectively to train the deep learning model of knee joint MRI, and the sensitivity and specificity of the deep learning model were verified in multi center. Depending on the clinical needs, the deep learning model annotation system is established. A large number of knee MRI were obtained and labeled. According to the knee joint MRI training depth learning model, and iterative optimization, the final version is formed. Multi center validation was carried out. Continuous operation records and corresponding preoperative knee MRI were obtained from multiple hospitals. The sensitivity and specificity of the model were calculated with operation records as the gold standard. At the same time, an expert team composed of senior radiologists and sports medicine doctors was organized to read the films. The sensitivity and specificity of manual reading and AI reading were compared to prove the superiority of AI reading. This study can improve the efficiency of clinical MRI film reading, reduce the workload of doctors, improve the film reading level of grass-roots hospitals, promote the development of the discipline, and has good social benefits and market prospects.

Studieoversigt

Status

Status

Angiver den aktuelle rekrutteringsstatus eller den udvidede adgangsstatus.
Rekruttering

Betingelser

Betingelser

Den sygdom, lidelse, syndrom, sygdom eller skade, der undersøges. På ClinicalTrials.gov kan tilstande også omfatte andre sundhedsrelaterede problemer, såsom levetid, livskvalitet og sundhedsrisici.

Detaljeret beskrivelse

The knee joint is the most common sports injury site in the human body, including ligament rupture, meniscus tear, cartilage lesions, and free body formation. Knee MRI has extremely high sensitivity and specificity in diagnosing knee diseases, especially its negative predictive value is close to 100%, and it is an effective means to assist clinicians in diagnosing knee diseases. However, there are many MRI sequences of the knee joint, and different diseases have different imaging effects on various sequences, and the types of knee joint diseases are complicated, so it takes a long time to evaluate the knee joint MRI. Due to the huge clinical demand for knee MRI, it has caused a great burden on radiology and sports medicine orthopedics. At the same time, for some special injuries of the knee joint, such as hidden meniscus tear, rupture of the anterior cross part and adhesion in place after rupture, local ligament injury, etc., the conclusions given by different readers are very different, and it is easy to miss the diagnosis. And the missed diagnosis seriously affects the prognosis of the knee joint, leading to the progression of arthritis. In addition, professional musculoskeletal system imaging experts have a long training cycle, and a large number of orthopedic doctors and radiologists in basic hospitals have limited reading skills for knee MRI, which limits the development of local sports medicine disciplines and the development of related diagnosis and treatment. The purpose of our research is to train the deep learning model of knee MRI through multi-center and large sample of knee MRI; Multi-center verification of the sensitivity and specificity of the knee MRI deep learning model, and compare the accuracy of the deep learning model and manual image reading.

Undersøgelsestype

Undersøgelsestype

Beskriver karakteren af ​​en klinisk undersøgelse. Undersøgelsestyper omfatter interventionelle undersøgelser (også kaldet kliniske forsøg), observationsundersøgelser (herunder patientregistre) og udvidet adgang.
Observationel

Tilmelding (Forventet)

Tilmelding

Antallet af deltagere i en klinisk undersøgelse. Den "forventede" tilmelding er det mål for antallet af deltagere, som forskerne skal bruge til undersøgelsen.
50000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiekontakt

Navn og kontaktoplysninger for den person, der kan besvare spørgsmål om tilmelding til en klinisk undersøgelse. Hvert sted, hvor undersøgelsen udføres, kan også have en specifik kontaktperson, som kan være bedre i stand til at besvare disse spørgsmål.

Studiesteder

  • Kina
    • Beijing
      • Beijing, Beijing, Kina, 100191
        • Rekruttering
        • Institute of Sports Medicine, Peking University Third Hospital
        • Kontakt:
          • Ai-Bing Huang, PhD
          • Telefonnummer: 8615650715003
          • E-mail: hab165@163.com

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Berettigelseskriterier

De nøglekrav, som personer, der ønsker at deltage i et klinisk studie, skal opfylde eller de egenskaber, de skal have. Kvalifikationskriterier består af både inklusionskriterier (som er nødvendige for at en person kan deltage i undersøgelsen) og eksklusionskriterier (som forhindrer en person i at deltage). Typer af berettigelseskriterier omfatter, om en undersøgelse accepterer raske frivillige, har alders- eller aldersgruppekrav eller er begrænset af køn.

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

N/A

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

All patients related to sports injuries

Beskrivelse

Inclusion Criteria:

  1. ACL-injured patients;
  2. Follow-up of patients after ACL injury;
  3. patients with genetic predisposition to ACL injury;

Exclusion Criteria:

  1. Patients with joint injury caused by clear external forces;
  2. Definitely have stroke, heart disease, epilepsy, cranial neurosurgery, migraine;
  3. Have had a concussion or head injury in the past 6 months.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Kohorte
  • Tidsperspektiver: Tilbagevirkende kraft

Hvad måler undersøgelsen?

Primære resultatmål

Primære resultatmål

I et klinisk studies protokol er det planlagte resultatmål, der er det vigtigste for at evaluere effekten af ​​en intervention/behandling. De fleste kliniske undersøgelser har ét primært resultatmål, men nogle har mere end ét.
Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Marking system design based on Magnetic Resonance Imaging（MRI）
Tidsramme: 2021
According to the development goals, combined with the performance of MRI and the structure of the model algorithm, the labeling rules and logic of knee MRI are determined. On this basis, a labeling system is designed, and different labeling tools are designed for a variety of lesions.
2021
Data export and annotation
Tidsramme: 2021
Encrypt the MRI file and import it into the medical standard intelligent labeling system. Create a dedicated tagging account for each tagger to tag. Based on the previously marked image data, develop algorithms for segmenting different lesion areas.
2021
Build a deep learning model
Tidsramme: 2021
According to the diagnostic logic, we select the coronal and sagittal images of the knee joint T2 MRI sequence for analysis. And choose the Resnext model that has been verified by a large number of ImageNet and other large data sets to extract the features of the coronal out-of-state images. After the multi-layer convolution operation, the key feature representation of the image is extracted. At the same time, in the process of feature extraction, the batch normalization module is used to perform feature transformation to highlight the most meaningful part of the feature.
2021

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Sponsor

Den organisation eller person, der igangsætter undersøgelsen, og som har myndighed og kontrol over undersøgelsen.
Peking University Third Hospital

Samarbejdspartnere

Samarbejdspartnere

En anden organisation end sponsoren, der yder støtte til en klinisk undersøgelse. Denne støtte kan omfatte aktiviteter relateret til finansiering, design, implementering, dataanalyse eller rapportering.
Chinese PLA General Hospital
Huashan Hospital
Hebei Medical University Third Hospital
Shanghai Jiao Tong University Affiliated Sixth People's Hospital
Inner Mongolia People's Hospital
The First Affiliated Hospital of BaoTou Medical College
Fourth Medical Center of PLA General Hospital
The 8th medical center of chinese PLA general hospital
Tianjin Hospital

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

Studiestart

Den faktiske dato, hvor den første deltager blev tilmeldt en klinisk undersøgelse. Den "forventede" undersøgelses startdato er den dato, som forskerne tror vil være undersøgelsens startdato.
1. januar 2021

Primær færdiggørelse (Forventet)

Primær færdiggørelse

Den dato, hvor den sidste deltager i et klinisk studie blev undersøgt eller modtog en intervention for at indsamle endelige data for det primære resultatmål. Hvorvidt det kliniske studie sluttede i henhold til protokollen eller blev afsluttet, påvirker ikke denne dato. For kliniske undersøgelser med mere end ét primært resultatmål med forskellige afslutningsdatoer refererer dette udtryk til den dato, hvor dataindsamlingen er afsluttet for alle de primære resultatmål. Den "forventede" primære afslutningsdato er den dato, som forskerne tror vil være den primære afslutningsdato for undersøgelsen.
31. december 2021

Studieafslutning (Forventet)

Studieafslutning

Den dato, hvor den sidste deltager i et klinisk studie blev undersøgt eller modtog en intervention/behandling for at indsamle endelige data for de primære resultatmål, sekundære udfaldsmål og uønskede hændelser (det vil sige den sidste deltagers sidste besøg). Den "forventede" undersøgelses afslutningsdato er den dato, som forskerne tror vil være undersøgelsens afslutningsdato.
15. maj 2022

Datoer for studieregistrering

Først indsendt

Først indsendt

Den dato, hvor undersøgelsens sponsor eller investigator første gang indsendte en undersøgelsespost til ClinicalTrials.gov. Der er typisk en forsinkelse på et par dage mellem den første indsendte dato og postens tilgængelighed på ClinicalTrials.gov (den første offentliggjorte dato).
27. juni 2021

Først indsendt, der opfyldte QC-kriterier

Først indsendt, der opfyldte QC-kriterier

Den dato, hvor undersøgelsens sponsor eller investigator første gang indsender en undersøgelsespost, der er i overensstemmelse med National Library of Medicine (NLM) kvalitetskontrol (QC) gennemgangskriterier. Sponsoren eller investigatoren skal muligvis revidere og indsende en undersøgelsespost en eller flere gange, før NLM's kvalitetskontrolkriterier er opfyldt. Det er sponsorens eller investigatorens ansvar at sikre, at undersøgelsesposten er i overensstemmelse med NLM QC-gennemgangskriterierne.
8. juli 2021

Først opslået (Faktiske)

Først opslået

Datoen, hvor undersøgelsesposten først var tilgængelig på ClinicalTrials.gov efter National Library of Medicine (NLM) kvalitetskontrol (QC) gennemgang er afsluttet. Der er typisk en forsinkelse på et par dage mellem den dato, hvor undersøgelsens sponsor eller investigator indsendte undersøgelsesposten, og den første offentliggjorte dato.
12. juli 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

Sidste opdatering sendt

Den seneste dato, hvor ændringer i en undersøgelsespost blev gjort tilgængelig på ClinicalTrials.gov. Der kan være en forsinkelse mellem det tidspunkt, hvornår ændringerne blev indsendt til ClinicalTrials.gov af undersøgelsens sponsor eller investigator (datoen for sidste opdatering afsendt) og den sidste opdatering, der blev sendt.
12. juli 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

Den seneste dato, hvor undersøgelsens sponsor eller investigator indsendte ændringer til en undersøgelsespost, der er i overensstemmelse med National Library of Medicine (NLM) kvalitetskontrol (QC) gennemgangskriterier. Det er sponsorens eller investigatorens ansvar at sikre, at undersøgelsesposten er i overensstemmelse med NLM QC-gennemgangskriterierne.
8. juli 2021

Sidst verificeret

Sidst verificeret

Den seneste dato, hvor undersøgelsens sponsor eller investigator bekræftede oplysningerne om en klinisk undersøgelse på ClinicalTrials.gov som nøjagtige og aktuelle. Hvis en undersøgelse med rekrutteringsstatus som rekruttering; rekrutterer endnu ikke; eller aktiv, ikke rekruttering er ikke blevet bekræftet inden for de seneste 2 år, er undersøgelsens rekrutteringsstatus vist som ukendt.
1. juni 2021

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

Andre undersøgelses-id-numre

Andre identifikatorer eller ID-numre end NCT-nummeret, der er tildelt til en klinisk undersøgelse af undersøgelsens sponsor, finansieringsgivere eller andre. Disse numre kan omfatte unikke identifikatorer fra andre forsøgsregistre og National Institutes of Health-bevillingsnumre.
  • M2020243

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Cookieindstillinger

Vi bruger cookies for at sikre, at vi giver dig den bedste oplevelse på vores hjemmeside. For flere detaljer skal du læse omhyggeligt vores Politik om beskyttelse af personlige oplysninger og cookies. ...>>>Du kan når som helst ændre dine præferencer eller trække dit samtykke tilbage ved at slette cookies fra din hjemmeside eller computer som beskrevet i politikken. Accepter det og vælg dine præferencer ved at markere de tilsvarende felter i afsnittet "Administrer indstillinger" nedenfor. Læs vores servicevilkår omhyggeligt, inden du fortsætter med at bruge nogen del af dette websted.
«Administrer indstillinger