Anvendelse af hyperspektral billeddannelse til diagnosticering af glomerulære sygdomme
29. april 2023 opdateret af: Zunsong Wang, Qianfoshan Hospital
Morgenurinprøver fra patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal degenerativ nefropati bekræftet ved nyrenålebiopsi på vores hospital fra november 2020 til januar 2022 blev indsamlet.
Ved at scanne morgenurinprøverne fra tilsvarende patienter med mikrohyperspektral billedkamera, blev maskinlæring og dyb læring brugt til at klassificere mikrohyperspektrale billeder, og klassificeringsnøjagtigheden var større end 85 %.
Således kunne hyperspektral billeddannelsesteknologi anvendes som et ikke-invasivt diagnostisk middel til at hjælpe med diagnosticering af glomerulære sygdomme.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Forventet)
80
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Wang Zongsong
- Telefonnummer: 18660190175
- E-mail: wzsong3@163.com
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
18 år til 90 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Patienter med massiv proteinuri blev diagnosticeret som IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal forandringsnefropati ved nyrebiopsi.
Beskrivelse
Inklusionskriterier:
- Over 18 år gammel;
- Patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati, minimal forandringsnefropati bekræftet ved nyrebiopsi;
- Havde ikke modtaget hormon- og/eller immunsuppressiv behandling før nyrebiopsi;
- Fuldstændige kliniske data, alle underskrev "Optagelsesbeviset for Qianfoshan Hospital i Shandong-provinsen", og indvilligede i at bruge relevante medicinske oplysninger, biologiske prøveundersøgelser og undersøgelsesresultater til videnskabelig forskning.
Ekskluderingskriterier:
- Der er faktorer, der forårsager sekundær membranøs nefropati, såsom immunsygdomme (systemisk lupus erythematosus), tumorer/infektioner (viral hepatitis), lægemidler eller giftstoffer osv.;
- Alvorlig infektion: feber, hoste og opspyt, ondt i halsen, mavesmerter, diarré, karbunkel og furunkel og andre kliniske manifestationer af hud- og bløddelsinfektion, blodrutineantal hvide blodlegemer ud over det normale område (10×109/L);
- Alvorlig kardiovaskulær sygdom: inklusive kronisk hjertesvigt grad 3 eller derover og forskellige arytmier;
- Infektionssygdomme: aktiv hepatitis, AIDS, syfilis osv.;
- Tumorbevis: det er blevet fundet, at der er en bestemt tumor eller kliniske manifestationer, tumormarkører osv., hvilket tyder på muligheden for tumor.
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 |
|---|---|
|
diabetisk nefropati
Urinprøver blev indsamlet fra patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal forandringsnefropati.
Prøverne blev centrifugeret og frosset i et køleskab ved -80 grader Celsius.
Billederne blev opdelt i et træningssæt og et testsæt i et fast forhold.
De digitale billeder blev indlæst i klassifikationsmodeller såsom et-dimensionelt foldet neuralt netværk for at lære og teste.
Træningssættet blev brugt til træning og parameteriteration af den kunstige intelligens non-invasive væskediagnosemodel, og testsættet blev brugt til genkendelse og fortolkning af modellen.
Forvirringsmatricen, nøjagtigheden og ROC-kurven blev beregnet gennem fortolkningsresultaterne for at evaluere modellens ydeevne.
|
Mikroskopisk hyperspektral billeddannelsessystem
|
|
minimal forandringsnefropati
Urinprøver blev indsamlet fra patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal forandringsnefropati.
Prøverne blev centrifugeret og frosset i et køleskab ved -80 grader Celsius.
Billederne blev opdelt i et træningssæt og et testsæt i et fast forhold.
De digitale billeder blev indlæst i klassifikationsmodeller såsom et-dimensionelt foldet neuralt netværk for at lære og teste.
Træningssættet blev brugt til træning og parameteriteration af den kunstige intelligens non-invasive væskediagnosemodel, og testsættet blev brugt til genkendelse og fortolkning af modellen.
Forvirringsmatricen, nøjagtigheden og ROC-kurven blev beregnet gennem fortolkningsresultaterne for at evaluere modellens ydeevne.
|
Mikroskopisk hyperspektral billeddannelsessystem
|
|
IgA nefropati
Urinprøver blev indsamlet fra patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal forandringsnefropati.
Prøverne blev centrifugeret og frosset i et køleskab ved -80 grader Celsius.
Billederne blev opdelt i et træningssæt og et testsæt i et fast forhold.
De digitale billeder blev indlæst i klassifikationsmodeller såsom et-dimensionelt foldet neuralt netværk for at lære og teste.
Træningssættet blev brugt til træning og parameteriteration af den kunstige intelligens non-invasive væskediagnosemodel, og testsættet blev brugt til genkendelse og fortolkning af modellen.
Forvirringsmatricen, nøjagtigheden og ROC-kurven blev beregnet gennem fortolkningsresultaterne for at evaluere modellens ydeevne.
|
Mikroskopisk hyperspektral billeddannelsessystem
|
|
idiopatisk membranøs nefropati
Urinprøver blev indsamlet fra patienter med IgA nefropati, idiopatisk membranøs nefropati, diabetisk nefropati og minimal forandringsnefropati.
Prøverne blev centrifugeret og frosset i et køleskab ved -80 grader Celsius.
Billederne blev opdelt i et træningssæt og et testsæt i et fast forhold.
De digitale billeder blev indlæst i klassifikationsmodeller såsom et-dimensionelt foldet neuralt netværk for at lære og teste.
Træningssættet blev brugt til træning og parameteriteration af den kunstige intelligens non-invasive væskediagnosemodel, og testsættet blev brugt til genkendelse og fortolkning af modellen.
Forvirringsmatricen, nøjagtigheden og ROC-kurven blev beregnet gennem fortolkningsresultaterne for at evaluere modellens ydeevne.
|
Mikroskopisk hyperspektral billeddannelsessystem
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Mikrohyperspektralt billede af urinprøve
Tidsramme: 2023.4-2023.10
|
Mikrohyperspektrale billeder af urinprøver fra patienter med fire forskellige glomerulære sygdomme før behandling
|
2023.4-2023.10
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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 (Forventet)
30. maj 2023
Primær færdiggørelse (Forventet)
20. august 2023
Studieafslutning (Forventet)
20. september 2023
Datoer for studieregistrering
Først indsendt
18. marts 2023
Først indsendt, der opfyldte QC-kriterier
31. marts 2023
Først opslået (Faktiske)
4. april 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
3. maj 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
29. april 2023
Sidst verificeret
1. april 2023
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- liquid biopsy-glomerulopathy
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 .