Potenzial von Deep Learning bei der Beurteilung von Pneumokoniose, dargestellt in der digitalen Thorax-Radiographie
Untersuchen Sie das Potenzial von Deep Learning bei der Beurteilung von Pneumokoniose, die auf digitalen Thorax-Röntgenaufnahmen dargestellt wird, und vergleichen Sie ihre Leistung mit zertifizierten Radiologen
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Industriearbeiter mit Staubexposition in der Vorgeschichte und wurden von 2015 bis 2018 einem DR-Screening auf Pneumokoniose unterzogen
Ausschlusskriterien:
- Patienten mit schlechter Bildqualität
- Patienten mit unvollständigen klinischen Daten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Retrospektive
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Convolutional Neural Network (CNN)
Ein klassisches Deep Convolutional Neural Network (CNN) namens Inception-V3 wurde auf die Bildsätze angewendet und validierte die Klassifizierungsleistung der trainierten Modelle
|
CNN-Architektur namens U-Net-Architektur
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
die Diagnose einer Pneumokoniose
Zeitfenster: bis zu 6 Monaten
|
Diagnose und Stadieneinteilung der Pneumokoniose wurden von einem Expertengremium bestehend aus zertifizierten Radiologen und Arbeitsmedizinern vorgenommen.
Die Diagnose einer Pneumokoniose wurde durch die Anamnese und frühere Krankenakten (Röntgenaufnahmen des Brustkorbs und Lungenfunktionstests) bestätigt.
|
bis zu 6 Monaten
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Ermittler
Ermittler
- Studienstuhl: Xiaohua Wang, Peking University Third Hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
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
- M2019467
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 .