Forskning i automatiseret makulopati-screening baseret på AI-teknikker ved hjælp af OCT-billeder
22. marts 2018 opdateret af: The First Affiliated Hospital with Nanjing Medical University
Forskning i automatiseret makulopatiscreening ved hjælp af optisk kohærent tomografi Billedbaserede deep Learning-teknikker
Efterforskerne forventer at udvikle en algoritme, der kan fortolke OCT-billeder og automatiseret afgøre, om macula er normal eller ej ved at bruge OCT-billedbaserede deep learning-teknikker.
Og efterforskere ønsker at udvikle softwareapplikationer, der vil hjælpe med bedre at screene og diagnosticere makulære sygdomme i ressourcebegrænsede områder.
Studieoversigt
Status
Ukendt
Betingelser
Detaljeret beskrivelse
Efterforskerne vil anvende deep learning konvolutionerende neurale netværk ved at bruge ImageNet til en automatiseret detektion af flere nethindesygdomme med OCT horisontale B-scanninger med en mærket database af høj kvalitet.
Datasæt, herunder træningsdatasæt, testdatasæt og valideringsdatasæt, vil blive bygget af øjenlæger fra Nanjing Medical Universitys første tilknyttede hospital i henhold til de standardiserede annoteringsretningslinjer.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
20000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210029
- The First Affiliated Hospital with Nanjing Medical University
-
-
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
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
ingen aldersbegrænset, ingen kønsbaseret
Beskrivelse
Inklusionskriterier:
- Alle patienter, der går til øjenafdelingen på Nanjing Medical Universitys første tilknyttede hospital inden for 5 år, og som har modtaget kendte, klare diagnoser med digital retinal billeddannelse (herunder OCT, fundus digitale fotografier og fundus fluorescein angiografi, i det mindste med OCT-billeder) som en del af deres rutinemæssige kliniske pleje, vil være berettiget til inklusion i denne undersøgelse.
Ekskluderingskriterier:
- Papirkopiundersøgelser (dvs. fotos af papirrapporter af OCT-billeddannelse udført på andre hospitaler) vil være udelukket.
- Data fra patienter, der tidligere manuelt har anmodet om, at deres data ikke må deles, selv til forskningsformål i anonymiseret form, og som har informeret øjenafdelingen på Nanjing Medical Universitys første tilknyttede hospital om dette ønske (selv i tidligere udførte undersøgelser eller andre igangværende undersøgelser på dette hospital), vil blive udelukket, og deres data vil ikke blive uploadet til cloud-platformen, før forskningen begynder.
- Data fra øjne tamponeret med silikoneolie eller gas (dvs. C3F8) vil ikke være berettigede.
- Data med dårlig billedkvalitet, såsom ufuldstændige billeder, omvendte billeder, slørede eller revnede billeder og billeder med et meget svagt signal (dvs. glaslegemeblødning), vil være udelukket.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Andet
- Tidsperspektiver: Tværsnit
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Normal
normal makulær struktur af horisontale OCT B-scanninger
|
|
Abnorm
unormal makulær struktur af horisontale OCT B-scanninger, herunder mange underkategorier af patologiske træk, såsom epiretinal membran, pigmentepitelløsning, ect.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
modtagerens driftskarakteristik (ROC) kurve for algoritmen
Tidsramme: cirka 1 år
|
Det kaldes også følsomhedskurve.
ROC-kurven viser, hvor følsom algoritmemodellen er til automatisk at detektere det ønskede output.
|
cirka 1 år
|
|
Areal under ROC-kurven (AUC)
Tidsramme: cirka 1 år
|
Den viser driftsværdien af algoritmemodellen, som kan repræsentere effekten af modellen.
|
cirka 1 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Efterforskere
- Ledende efterforsker: Songtao Yuan, doctor, The First Affiliated Hospital with Nanjing Medical University
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)
30. juni 2017
Primær færdiggørelse (Forventet)
1. juni 2018
Studieafslutning (Forventet)
31. december 2020
Datoer for studieregistrering
Først indsendt
26. februar 2018
Først indsendt, der opfyldte QC-kriterier
22. marts 2018
Først opslået (Faktiske)
26. marts 2018
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
26. marts 2018
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. marts 2018
Sidst verificeret
1. februar 2018
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- JSPH-AIOCT-001
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Ingen
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 .