Entwicklung und Validierung eines Deep-Learning-Systems für multiple Augenhintergrunderkrankungen unter Verwendung von Netzhautbildern
Entwicklung und Validierung eines Deep-Learning-Systems für multiple Augenhintergrunderkrankungen unter Verwendung von Netzhautbildern: eine multizentrische prospektive Studie
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Voraussichtlich)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Haotian Lin, PhD
- Telefonnummer: 13802793086
- E-Mail: gddlht@aliyun.com
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510060
- Rekrutierung
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
Kontakt:
- Haotian Lin, Ph.D
- Telefonnummer: +86-020-87330274
- E-Mail: gddlht@aliyun.com
-
Hauptermittler:
- Haotian Lin, Ph.D
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Die Qualität der Fundusbilder sollte klinisch akzeptabel sein. Mehr als 80 % des Fundusbildbereichs einschließlich der vier Hauptregionen (Papille, Makula, obere und untere Gefäßbögen der Netzhaut) sind leicht zu lesen und zu unterscheiden.
Ausschlusskriterien:
- Bilder mit Lichtverlust (>30 % der Fläche), Flecken von Linsenreflexionen oder Flecken und Überbelichtung wurden von der weiteren Analyse ausgeschlossen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Sonstiges
- Zeitperspektiven: Sonstiges
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Trainingsdatensatz
Netzhautbilder, die in Krankenhäusern und an mehreren Screening-Standorten in ganz China gesammelt wurden
|
|
|
Validierungsdatensatz
Vom Trainingsdatensatz getrennte Netzhautbilder
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von zwei anderen Datensätzen validiert und getestet wurde.
|
|
Datensatz testen
Netzhautbilder, die prospektiv von Krankenhäusern und Screening-Stellen für Augenkrankheiten gesammelt wurden, unterscheiden sich vollständig vom Trainingsdatensatz
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von zwei anderen Datensätzen validiert und getestet wurde.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen.
|
Grundlinie
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Empfindlichkeit des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Empfindlichkeit des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen.
|
Grundlinie
|
|
Spezifität des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Spezifität des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen.
|
Grundlinie
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Publikationen und hilfreiche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Voraussichtlich)
Primärer Abschluss
Studienabschluss (Voraussichtlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- CCPMOH2019- China8
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .