Screening og identifikation af lever- og galdesygdomme via dyb læring ved hjælp af øjenbilleder
16. august 2020 opdateret af: Haotian Lin, Sun Yat-sen University
Kunstig intelligens kan give indsigt i at udforske den potentielle skjulte sammenhæng bag og afsløre nogle tidlige øjenarkitekturændringer hos personer med lever- og galdelidelser.
Vi udførte et pionerarbejde for at udforske sammenhængen mellem øjet og leveren via dyb læring, for at udvikle og evaluere forskellige deep learning-modeller til at forudsige hepatobiliær sygdom ved at bruge okulære billeder.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
1789
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- VOKSEN
- OLDER_ADULT
- BARN
Tager imod sunde frivillige
Ja
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Spaltelampe- og nethindefundusbilleder indsamlet fra afdelingen for infektionssygdomme, tredje tilknyttede hospital ved Sun Yat-sen Universitet, afdeling for infektionssygdomme, tredje tilknyttede hospital på Sun Yat-sen Universitet, tilknyttede Huadu Hospital ved Southern Medical University, Nantian Medical Center af Aikang Health Care og Huanshidong Medical Center of Aikang Health Care.
Beskrivelse
Inklusionskriterier:
- Kvaliteten af fundus- og spaltelampebilleder bør være klinisk acceptabel.
- Mere end 90 % af fundus-billedområdet inklusive fire hovedområder (optisk disk, makulær, øvre og nedre nethindekarbuer) er lette at læse og skelne mellem.
- Mere end 90 % af spaltelampens billedareal inklusive tre hovedområder (sclera, pupil og linse) er lette at læse og skelne mellem.
Ekskluderingskriterier:
- Billeder med lyslækage (>10 % af området), pletter fra linseudbrud eller pletter og overeksponering blev udelukket fra yderligere analyse.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
udviklingsdatasæt 01
Spaltelamper og nethindefundusbilleder indsamlet fra afdelingen for hepatobiliær kirurgi på det tredje tilknyttede hospital på Sun Yat-sen University.
|
Træningsdatasættet blev brugt til at træne deep learning-modellen, som blev valideret og testet af de to andre datasæt.
|
|
udviklingsdatasæt 02
Spaltelampe og nethindefundusbilleder indsamlet fra Affiliated Huadu Hospital of Southern Medical University.
|
Træningsdatasættet blev brugt til at træne deep learning-modellen, som blev valideret og testet af de to andre datasæt.
|
|
udviklingsdatasæt 03
Billeder med spaltelampe og nethindefundus indsamlet fra Nantian Medical Center of Aikang Health Care.
|
Træningsdatasættet blev brugt til at træne deep learning-modellen, som blev valideret og testet af de to andre datasæt.
|
|
testdatasæt 01
Spaltelampe- og nethindefundusbilleder indsamlet fra Department of Infectious Diseases, Third Affiliated Hospital of Sun Yat-sen University.
|
Træningsdatasættet blev brugt til at træne deep learning-modellen, som blev valideret og testet af de to andre datasæt.
|
|
testdatasæt 02
Spaltelampe og nethindefundusbilleder indsamlet fra Huanshidong Medical Center of Aikang Health Care.
|
Træningsdatasættet blev brugt til at træne deep learning-modellen, som blev valideret og testet af de to andre datasæt.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
område under modtagerens funktionskarakteristiske kurve for deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne arealet under modtagerens funktionskarakteristiske kurve for deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger
|
baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
følsomhed og specificitet af deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne følsomheden og specificiteten af deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger
|
baseline
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
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)
1. december 2018
Primær færdiggørelse (FAKTISKE)
31. januar 2020
Studieafslutning (FAKTISKE)
31. januar 2020
Datoer for studieregistrering
Først indsendt
25. december 2019
Først indsendt, der opfyldte QC-kriterier
25. december 2019
Først opslået (FAKTISKE)
30. december 2019
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (FAKTISKE)
18. august 2020
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
16. august 2020
Sidst verificeret
1. august 2020
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- AEHD-2019
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 .