Dybe neurale netværk om nøjagtigheden af diagnosticering af hudsygdom hos ikke-dermatologer
25. oktober 2022 opdateret af: Pyoeng Gyun Choe
Effekt af at bruge dybe neurale netværk på nøjagtigheden af diagnosticering af hudsygdom hos ikke-hudlæge
Baggrund: Dybe neurale netværk (DNN) er blevet anvendt på mange slags hudsygdomme i eksperimentelle omgivelser.
Formål: Formålet med denne undersøgelse er at bekræfte forøgelsen af dybe neurale netværk til diagnosticering af hudsygdomme hos ikke-dermatologer i en virkelig verden.
Metoder: I alt 40 ikke-hudlæger på et enkelt tertiærsygehus vil blive indskrevet. De vil blive randomiseret til en DNN-gruppe og kontrolgruppe. Ved at sammenligne to grupper vil forskerne estimere effekten af at bruge dybe neurale netværk på diagnosticering af hudsygdom med hensyn til nøjagtighed.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
I DNN-gruppen og kontrolgruppen er disse trin den samme proces.
- Rutinemæssig undersøgelse og optag fotografier af hudlæsioner for alle kvalificerede på hinanden følgende patienter.
- Stil en klinisk diagnose (BEFORE-DX)
- Stil en klinisk diagnose (AFTER-DX)
- konsultere en hudlæge
I DNN-gruppen, efter at have lavet BEFORE-DX, bruger læger dybe neurale netværk og laver en AFTER-DX under hensyntagen til resultaterne af de dybe neurale netværk (Model Dermatology, build 2020).
I kontrolgruppen, efter at have lavet BEFORE-DX, laver læger en AFTER-DX efter at have gennemgået billederne af hudlæsioner endnu en gang.
Grundsandheden vil være baseret på biopsien, hvis den er tilgængelig, eller hudlægernes konsensusdiagnose.
Efterforskerne vil sammenligne nøjagtigheden mellem DNN-gruppen og kontrolgruppen efter 6 på hinanden følgende måneders undersøgelse.
Undersøgelsestype
Interventionel
Tilmelding (Faktiske)
55
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
-
Seoul, Korea, Republikken, 03080
- Seoul National University Hospital
-
-
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
Ingen
Køn, der er berettiget til at studere
Alle
Beskrivelse
Inklusionskriterier:
- ikke-hudlæge (beboere), der accepterer at deltage i denne undersøgelse
Ekskluderingskriterier:
- dermatologiske beboere
- ikke-dermatologiske beboere, der bruger andre dybe neurale netværk til diagnose af hudlæsioner
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: DIAGNOSTISK
- Tildeling: TILFÆLDIGT
- Interventionel model: PARALLEL
- Maskning: INGEN
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
EKSPERIMENTEL: DNN gruppe
ved hjælp af dybe neurale netværk til diagnose af hudlæsioner
|
Læger i DNN-gruppen tager billeder af hudlæsionen og bruger algoritmen ved at uploade billeder.
|
|
NO_INTERVENTION: Kontrolgruppe
konventionel diagnose
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Top-1 diagnostisk nøjagtighed
Tidsramme: 6 sammenhængende måneder
|
hyppigheden af korrekt Top-1 forudsigelse
|
6 sammenhængende måneder
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Top-2 og 3 diagnostisk nøjagtighed
Tidsramme: 6 sammenhængende måneder
|
hyppigheden af korrekt Top-2 og 3 forudsigelse
|
6 sammenhængende måneder
|
|
Infektionsfølsomhed
Tidsramme: 6 sammenhængende måneder
|
positiv rate af infektionsdiagnose
|
6 sammenhængende måneder
|
|
Malignitetsfølsomhed
Tidsramme: 6 sammenhængende måneder
|
Positiv malignitetsdiagnose
|
6 sammenhængende måneder
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
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)
27. november 2020
Primær færdiggørelse (FAKTISKE)
27. november 2021
Studieafslutning (FAKTISKE)
27. december 2021
Datoer for studieregistrering
Først indsendt
13. november 2020
Først indsendt, der opfyldte QC-kriterier
13. november 2020
Først opslået (FAKTISKE)
19. november 2020
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (FAKTISKE)
27. oktober 2022
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
25. oktober 2022
Sidst verificeret
1. oktober 2022
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2020-3233
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 .