Deep Learning-assisteret ultralydsdiagnose og lokalisering af testicular appendix-torsion
Deep Learning-assisteret ultralydsdiagnosticering og lokalisering af appendix testis-torsion: Et multicentrisk retrospektivt valideringsstudie
Ultralyddata blev indsamlet retrospektivt fra det primære center og seks andre undercentre. Kombineret med kliniske diagnostiske resultater blev datamærkningen gennemført af læger med omfattende klinisk erfaring.
I denne undersøgelse blev YOLOv11 anvendt som detektionsnetværk, som blev integreret med den konvolutionelle opmærksomhedsmekanisme (Spatial Convolutional Block Attention Module, også kaldet Spatial CBAM) og selvopmærksomhedsmekanismen (f.eks. Attention Convolution Mixer, ACMix). Datasættet fra det primære center blev opdelt i trænings-, validerings- og testundersæt, hvorpå modellen blev trænet, valideret og testet henholdsvis; yderligere validering blev udført på datasættet fra undercentret. Samtidig blev fire læger tildelt til at fortolke ultralyddataene fra undercentrene ved hjælp af to diagnostiske metoder - uafhængig diagnose og kunstig intelligens (AI)-assisteret diagnose - og diagnostisk nøjagtighed af disse to tilgange blev yderligere sammenlignet. Ved at indsamle og lære behandlingsmetoderne for patienter i det primære centers træningssæt, forudsige behandlingsmetoderne for patienter i undercentrets datasæt og sammenligne andelen af operationer forudsagt af AI med den faktiske andel af operationer blev modellens effektivitet verificeret.
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Ultralyddata blev indsamlet retrospektivt fra det primære center og seks andre undercentre. Kombineret med kliniske diagnostiske resultater blev datamærkningen gennemført af læger med omfattende klinisk erfaring.
I denne undersøgelse blev YOLOv11 anvendt som detektionsnetværk, som blev integreret med den konvolutionelle opmærksomhedsmekanisme (Spatial Convolutional Block Attention Module, også kendt som Spatial CBAM) og selvopmærksomhedsmekanismen (f.eks. Attention Convolution Mixer, ACMix). Datasættet fra det primære center blev opdelt i trænings-, validerings- og testunderdel, hvorpå modellen blev trænet, valideret og testet henholdsvis; yderligere validering blev udført på datasættet fra undercentret.Samtidig blev fire læger tildelt til at fortolke ultralyddataene fra undercentrene ved hjælp af to diagnostiske metoder - uafhængig diagnose og kunstig intelligens (AI)-assisteret diagnose - og den diagnostiske nøjagtighed af disse to tilgange blev yderligere sammenlignet.Ved at indsamle og lære behandlingsmetoderne for patienter i det primære centers træningssæt, forudsige behandlingsmetoderne for patienter i undercentrets datasæt, og sammenligne andelen af operationer forudsagt af AI med den faktiske andel af operationer, blev modellens effektivitet verificeret.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
Undersøgelse Kontakt Backup
- Navn: Juntao Jiang, Master Degree
- Telefonnummer: 86-13968107281
- E-mail: juntaojiang@zju.edu.cn
Studiesteder
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Kontakt:
- Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
-
Kontakt:
- Jingjing Ye, PHD Degree
- Telefonnummer: 86-13868174280
-
Ledende efterforsker:
- Ying Jiang, Master Degree
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alder ≤ 18 år
- Har gennemgået ultralydsundersøgelse på grund af akut testikelsmerter (≤ 24 timer)
- Patienter klinisk diagnosticeret med testikelappendixtorsion (TAT)
Eksklusionskriterier:
- Dårlig ultralydsbilledkvalitet (manglende identifikation af testikelstrukturer)
- Ufuldstændige kliniske data (manglende bekræftelse af diagnosen testikelappendixtorsion [TAT])
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Testikulær Appendix Torsion Gruppe
Patienter diagnosticeret med testikulær appendikstorsion
|
|
Testikulær Torsionsgruppe
Patienter diagnosticeret med testikeltorsion
|
|
Epididymitis-gruppen
Patienter diagnosticeret med epididymitis
|
|
Normal gruppe
Patienter uden torsio testis, testikelvridning, epididymitis, og scrotum er normalt
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtigheden af deep-learning-modellen verificerer fire tilstande: testikulær appendiks-torsion; testikulær torsion; epididymitis og normal tilstand
Tidsramme: Fra billedinput til resultatgenerering forventes at være 24 timer
|
nøjagtigheden af deep-learning-modellen verificerer fire tilstande: testikulær appendiks-torsion; testikulær torsio; epididymitis og normal tilstand
|
Fra billedinput til resultatgenerering forventes at være 24 timer
|
Sekundære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Antal deltagere med akut skrotalsmerte
Tidsramme: Fra opstart af rekruttering til afslutningen forventes at være 5 måneder
|
Fra opstart af rekruttering til afslutningen forventes at være 5 måneder
|
|
Klinikeres nøjagtighed i at diagnosticere og lokalisere torsion af testikelappen
Tidsramme: Fra begyndelsen af, at klinikere diagnosticerer og lokaliserer, til slutningen forventes at være 15 dage
|
Fra begyndelsen af, at klinikere diagnosticerer og lokaliserer, til slutningen forventes at være 15 dage
|
|
Nøjagtighedsprocenten for deep learning-modellen i at forudsige behandlingsmetoden for torsio testis, konservativ behandling eller kirurgi
Tidsramme: Fra starten af forudsigelsen af behandling for testikelappendiks-torsion ved hjælp af en deep learning-model til slut forventes at være 24 timer
|
Fra starten af forudsigelsen af behandling for testikelappendiks-torsion ved hjælp af en deep learning-model til slut forventes at være 24 timer
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Studieleder: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Anslået)
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
- CHZhejiangjiangying
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
IPD-delingsadgangskriterier
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
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 .
Kliniske forsøg med Epididymitis
-
Hillel Yaffe Medical CenterAfsluttetEpididymitis OrchitisIsrael
-
Kaplan Medical CenterUkendt