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

En platform for multidisciplinær medicinsk udvikling af kunstig intelligens (AI)

16. maj 2021 opdateret af: Haotian Lin, Sun Yat-sen University
Biomedicinsk dyb læring (DL) er ofte afhængig af at generere pålidelige etiketter til data i stor skala og meget tekniske krav til modeltræning. For effektivt at udvikle DL-modeller etablerede vi en integreret platform til at introducere automatisering til både annotering og modeltræning - den primære proces for DL-modeludvikling. Baseret på denne platform validerede og sammenlignede vi annotationsstrategien og AI-modeludviklingen kvantitativt med den rene manuelle annotationsmetode udført på medicinske billeddatasæt fra flere discipliner.

Studieoversigt

Status

Rekruttering

Betingelser

Undersøgelsestype

Observationel

Tilmelding (Forventet)

200

Kontakter og lokationer

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

Studiekontakt

  • Navn: Haotian Lin, Ph.D, M.D.
  • Telefonnummer: +86-020-87330274
  • E-mail: gddlht@aliyun.com

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510060
        • Rekruttering
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kontakt:

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

Ja

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

medicinsk billeddannelse til flere discipliner, herunder oftalmologi, patologi, radiografi, blodceller og endoskopi

Beskrivelse

Inklusionskriterier:

  • have medicinsk billeddiagnostik (herunder oftalmologi, patologi, radiografi, blodceller og endoskopi)

Ekskluderingskriterier:

  • ukvalificeret medicinsk billeddannelse

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
menneske-maskine samarbejdsgruppe
sundhedspersonale og maskinsamarbejde til udvikling af annotering og AI-model
ren manuel gruppe
sundhedspersonale til ren manuel annotering og udvikling af AI-model

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
annotations nøjagtighed
Tidsramme: baseline
beregne annoteringsnøjagtighed til sammenligning mellem grupper ved at bruge annoteringsresultaterne
baseline

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
nøjagtigheden af ​​modellens ydeevne
Tidsramme: baseline
beregne AI-modellens nøjagtighed til sammenligning mellem grupper ved at bruge modellens forudsagte resultater
baseline
AUC for modelydelse
Tidsramme: baseline
beregne AI-modellens AUC'er til sammenligning mellem grupper ved at bruge modellens forudsagte resultater
baseline
annoteringstidsomkostninger
Tidsramme: baseline
beregne annoteringstidsomkostninger til sammenligning mellem grupper ved at bruge den tid, der er registreret under testene
baseline

Samarbejdspartnere og efterforskere

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

Sponsor

Sun Yat-sen University

Efterforskere

  • Ledende efterforsker: Haotian Lin, Ph.D, M.D., Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity

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)

18. marts 2021

Primær færdiggørelse (Faktiske)

1. april 2021

Studieafslutning (Forventet)

31. maj 2021

Datoer for studieregistrering

Først indsendt

18. marts 2021

Først indsendt, der opfyldte QC-kriterier

16. maj 2021

Først opslået (Faktiske)

18. maj 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

18. maj 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. maj 2021

Sidst verificeret

1. maj 2021

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • AIplatform-2020

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 .

Kliniske forsøg med Medicinsk billeddannelse

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Finland

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner