- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05622565
Forklarlige øjenfundussygdomme rapportgenereringssystem
Forklarlige multimodale dybe neurale netværk til identifikation af øjenfundussygdomme og rapportgenerering
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Den okulære fundus er den eneste del af den menneskelige krop, der direkte kan se blodkarets mikrocirkulation og nervevæv. Gennem forskellige billeddiagnostiske tests, herunder Colour Fundus Photograph (CFP), Optical Coherence Tomography (OCT), Fluorescein Fundus Angiography (FFA) og Indocyanine Green Angiography (ICGA) osv., er det muligt statisk at overskue eller dynamisk observere nethinden og årehinden. , tilstanden af blodkar og nerver, og omfattende diagnose af sygdommen. Screening, fortolkning og nøjagtig diagnosticering af øjenfundussygdomme er afgørende for sygdomsforebyggelse, kontrol og præcis behandling. Men på grund af de mange forskellige fundusundersøgelsesmetoder, og undersøgelsens kompleksitet og professionalisme, mangler der fundusspecialister, som har tilstrækkelig klinisk erfaring og viden til at tolke fundusundersøgelser. Med den kontinuerlige udvikling af kunstig intelligens (AI) til diagnosticering af fundussygdomme, anvendes forskellige modaliteter af billeddiagnostiske undersøgelsesmetoder gradvist til udviklingen af fundussygdomsdiagnosesystemer. Desuden kommer medicinske billeder ofte med tilsvarende rapporter, som for det meste er genereret af klinikeres eller radiologers erfaring.
Her etablerer vi et fundussygdomsdiagnose og rapportgenererende system baseret på tværmodale øjenfundusbilledundersøgelser, og funduslæsioner blev samtidig visualiseret. Der vil også blive udført multicenter-dataverifikation. Resultaterne af forskningen vil hjælpe med diagnosticering af funduslæsioner og generering af billeddiagnostiske rapporter. Vi håber, at dette kan popularisere mere komplekse fundus-billeddiagnostiske undersøgelsesmetoder til samfundet og hjælpe med at forbedre den tidlige diagnose og behandling af funduslæsioner, der forårsager blindhed.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Yingfeng Zheng, M.D. Ph.D
- Telefonnummer: +8613922286455
- E-mail: zhyfeng@mail.sysu.edu.cn
Undersøgelse Kontakt Backup
- Navn: Wenjia Cai, M.D. Ph.D
- Telefonnummer: +8615017593912
- E-mail: caiwenjia@gzzoc.com
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Rekruttering
- Zhognshan Ophthalmic Center, Sun Yat-sen University
-
Kontakt:
- Yingfeng Zheng, M.D, Ph.D
- Telefonnummer: +8613922286455
- E-mail: zhyfeng@mail.sysu.edu.cn
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Kvaliteten af multimodale øjenfundus-undersøgelsesbilleder og tilsvarende rapporter bør være klinisk acceptabel.
Ekskluderingskriterier:
- Rapporter med nøgleoplysninger mangler.
- Billeder med alvorlige billedopløsningsreduktioner, sløring eller artefakter blev udelukket fra yderligere analyse.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Træningssæt
Multimodale øjenfundusbilleder og tilsvarende rapporter indsamlet fra flere screeningssteder i Kina.
|
|
|
Internt valideringssæt
Rekorder adskilt fra træningssættet.
|
|
|
Eksternt testsæt
Multimodale øjenfundusbilleder og tilsvarende rapporter indsamlet fra multicentre i Kina og rundt om i verden.
|
Gennem forskellige modaliteter af øjenfundus-billeddannelse, kombineret med kliniske data og klinikeres erfaring til at diagnosticere forskellige fundussygdomme.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Areal under modtagerens funktionskarakteristiske kurve for deep learning-systemet
Tidsramme: Baseline
|
Efterforskerne vil beregne arealet under modtagerens funktionskarakteristiske kurve for dybe læringssystemet og sammenligne dette indeks med menneskelige øjenlæger.
|
Baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Intersection-Over-Union af modellernes forklaringsnøjagtighed
Tidsramme: Baseline
|
Efterforskerne vil beregne Intersection-Over-Union (IOU) (eller Jaccard-ligheden) mellem læsions-image opmærksomhedskortlægningsregioner og jordsandhedsregioner i deep learning-systemet.
|
Baseline
|
|
Sensitivitet og specificitet af deep learning-systemet
Tidsramme: Baseline
|
Efterforskerne vil beregne følsomheden og specificiteten af deep learning-systemet.
|
Baseline
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Yingfeng Zheng, M.D. Ph.D, Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity,Guangzhou, Guangdong, China, 510060
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2021KYPJ164
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
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 .