Realistisk i generering af HEp-2-cellebilleder ved hjælp af latente diffusionsmodeller: en multicenter visuel turing-test
Evaluering af realismen ved ANA HEp-2-cellebilleder syntetiseret ved hjælp af latente diffusionsmodeller: En multicenter visuel turing-test
Formålet med denne prospektive observationsundersøgelse er nøje at undersøge gennemførligheden og effektiviteten af at bruge latente diffusionsmodeller til dataforøgelse i anti-nuklear antistof (ANA) Hep-2 celle immunfluorescens billeder. Hovedspørgsmålet det sigter mod at besvare er:
Kan anvendelsen af sådanne modeller potentielt forbedre datakvaliteten, øge prøvediversiteten eller forbedre nøjagtigheden og effektiviteten af efterfølgende analytiske processer (såsom sygdomsdiagnose og klassificering), når de bruges sammen med ANA-relaterede billeder?
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Et grundlæggende problem i biomedicinsk forskning er det lave antal tilgængelige observationer, hovedsagelig på grund af mangel på tilgængelige bioprøver, uoverkommelige omkostninger eller etiske årsager. Forøgelse af få reelle observationer med genererede i silicoprøver kan føre til mere robuste analyseresultater og en højere reproducerbarhedshastighed. Her foreslår efterforskerne at bruge uovervåget læring med latente diffusionsmodeller til realistisk generering af ANA-IIF billeddata.
Efterforskerne antager, at genereringen af ANA-IIF-billeder vil være realistisk, hvis det er svært at skelne dem (falske) fra ægte (sande). For at teste denne hypotese præsenterer efterforskerne en Multicenter Visual Turing-test (https://turing.rednoble.net/) for at evaluere kvaliteten af de genererede (falske) billeder.
Denne eksperimentelle opsætning gør det muligt for efterforskerne at validere den overordnede kvalitet af de genererede ANA-IIF-billeder, som derefter kan bruges til (1) at træne cytopatologer til uddannelsesformål og (2) generere realistiske prøver til at træne dybe netværk med big data.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiesteder
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kina, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Udspringer fra velrenommerede medicinske institutioner
- Besidder relevante certificeringer og kvalifikationer
- At have over et års erfaring med at fortolke anti-nukleare antistof (ANA) mønstre i et laboratoriemiljø
Ekskluderingskriterier:
- Mangler relevant faglig certificering og kvalifikationer
- Uden erfaring med fortolkning af ANA-mønstre
- Uvillig til at acceptere reglerne og informeret samtykke fra den visuelle Turing-test
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
eksperter
med over 20 års erfaring med ANA-IIF-læsning
|
bestemmelse af ANA-mønstertypen med eller uden henvisning til resultaterne af AI-modeloutput.
|
|
yngre cytopatologer
mindre end 5 års akademisk medicinsk erfaring
|
bestemmelse af ANA-mønstertypen med eller uden henvisning til resultaterne af AI-modeloutput.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Det realistiske af billeder syntetiseret af diffusionsmodeller
Tidsramme: Baseline
|
Efterforskerne udførte en undersøgelse ved hjælp af den visuelle Turing-testmetode, måling gennem et spørgeskemaformat og vurderede måleresultaterne ved hjælp af en 5-punkts Likert-skala. 5-punkts Likert-skalaen vurderer deltagernes mening om kvaliteten af billeder gennem fem svarmuligheder: Virkelig, Ligner meget, Usikker, Ikke helt som, Falsk. Den beregner scores ved at tildele tal (f.eks. 5 til 1) til disse muligheder og opsummerer scores for hver deltager. Resultater evalueres ved at analysere fordelingen af score, herunder middelscore, og vurdere deres reliabilitet og validitet. Derudover beregnede investigator en række parametre, der blev brugt til intern modelvurdering, herunder: herunder præcision, genkaldelse, F1-score og gennemsnitlig gennemsnitlig præcision (mAP). |
Baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Indvirkningen af AI-modellens output på deltagerne
Tidsramme: Baseline
|
Efterforskeren evaluerede ændringen i nøjagtighedsgraden af deltagernes fortolkninger før og efter at de blev assisteret af AI-modellen, vil efterforskerne udføre en sammenlignende analyse.
Derudover beregner efterforskeren Kappa-koefficienten for overensstemmelse mellem menneskelige fortolkninger og modellen og evaluerer, om der er forskelle i nøjagtighed blandt cytopatologer med varierende erfaringsniveau, når de assisteres af AI.
|
Baseline
|
|
Den tid, det tager for ANA-mønsterfortolkning
Tidsramme: Baseline
|
Investigator sammenligner den tid, det tager deltageren at gennemføre tolkninger før og efter AI-modellens intervention, og vurderer, om der er en reduktion i den gennemsnitlige tolkningstid pr. sag, fra X minutter før AI-assistance til Y minutter efter AI.
|
Baseline
|
Samarbejdspartnere og efterforskere
Efterforskere
- Studieleder: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publikationer og nyttige links
Generelle publikationer
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Hjælpsomme links
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
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- XH-24-007
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 .