Erforschung des automatisierten Makulopathie-Screenings basierend auf KI-Techniken unter Verwendung von OCT-Bildern
22. März 2018 aktualisiert von: The First Affiliated Hospital with Nanjing Medical University
Erforschung des automatisierten Makulopathie-Screenings durch bildbasierte Deep-Learning-Techniken der optischen kohärenten Tomographie
Die Forscher erwarten, einen Algorithmus zu entwickeln, der OCT-Bilder interpretieren und mithilfe von OCT-bildbasierten Deep-Learning-Techniken automatisch feststellen kann, ob die Makula normal ist oder nicht.
Und Forscher möchten Softwareanwendungen entwickeln, die helfen, Makulaerkrankungen in Gebieten mit begrenzten Ressourcen besser zu untersuchen und zu diagnostizieren.
Studienübersicht
Status
Unbekannt
Bedingungen
Detaillierte Beschreibung
Die Forscher werden Deep Learning Convolutional Neural Networks anwenden, indem sie ImageNet für eine automatisierte Erkennung mehrerer Netzhauterkrankungen mit horizontalen OCT-B-Scans mit einer hochwertigen beschrifteten Datenbank verwenden.
Datensätze, einschließlich Trainingsdatensatz, Testdatensatz und Validierungsdatensätze, werden von Augenärzten des ersten angeschlossenen Krankenhauses der Medizinischen Universität Nanjing gemäß den standardisierten Annotationsrichtlinien erstellt.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
20000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Jiangsu
-
Nanjing, Jiangsu, China, 210029
- The First Affiliated Hospital with Nanjing Medical University
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
N/A
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
keine Altersbegrenzung, kein Geschlecht
Beschreibung
Einschlusskriterien:
- Alle Patienten, die innerhalb von 5 Jahren die Abteilung für Augenheilkunde des First Affiliated Hospital der Nanjing Medical University besucht haben und die bekannte, eindeutige Diagnosen mit digitaler Bildgebung der Netzhaut (einschließlich OCT, Fundus-Digitalfotos und Fundus-Fluoreszein-Angiographie, mindestens mit OCT-Bildern) erhalten haben B. aufgrund ihrer routinemäßigen klinischen Versorgung, für die Aufnahme in diese Studie in Frage kommen.
Ausschlusskriterien:
- Hardcopy-Untersuchungen (d. h. Fotos von Papierberichten über OCT-Bildgebung, die in anderen Krankenhäusern durchgeführt wurden) sind nicht förderfähig.
- Daten von Patienten, die zuvor manuell beantragt haben, dass ihre Daten nicht weitergegeben werden sollen, auch nicht zu Forschungszwecken in anonymisierter Form, und dies der Abteilung für Augenheilkunde des First Affiliated Hospital of Nanjing Medical University mitgeteilt haben (auch in zuvor durchgeführten Studien oder anderen laufende Studien in diesem Krankenhaus), werden ausgeschlossen, und ihre Daten werden nicht auf die Cloud-Plattform hochgeladen, bevor die Forschung beginnt.
- Daten von Augen, die mit Silikonöl oder -gas (z. B. C3F8) tamponiert wurden, sind nicht förderfähig.
- Daten mit schlechter Bildqualität, wie z. B. unvollständige Bilder, invertierte Bilder, unscharfe oder rissige Bilder und Bilder mit einem sehr schwachen Signal (z. B. Glaskörperblutung), sind nicht förderfähig.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Sonstiges
- Zeitperspektiven: Querschnitt
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Normal
normale Makulastruktur von horizontalen OCT-B-Scans
|
|
Abnormal
abnormale Makulastruktur von horizontalen OCT-B-Scans, einschließlich vieler Unterkategorien von pathologischen Merkmalen, wie epiretinale Membran, Pigmentepithelablösung, ect.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Receiver Operating Characteristic(ROC)-Kurve des Algorithmus
Zeitfenster: ungefähr 1 Jahr
|
Sie wird auch Empfindlichkeitskurve genannt.
Die ROC-Kurve zeigt, wie empfindlich das Algorithmusmodell ist, um die gewünschte Ausgabe automatisch zu erkennen.
|
ungefähr 1 Jahr
|
|
Fläche unter der ROC-Kurve (AUC)
Zeitfenster: ungefähr 1 Jahr
|
Es zeigt den Betriebswert des Algorithmusmodells, der die Wirkung des Modells darstellen kann.
|
ungefähr 1 Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Ermittler
- Hauptermittler: Songtao Yuan, doctor, The First Affiliated Hospital with Nanjing Medical University
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
30. Juni 2017
Primärer Abschluss (Voraussichtlich)
1. Juni 2018
Studienabschluss (Voraussichtlich)
31. Dezember 2020
Studienanmeldedaten
Zuerst eingereicht
26. Februar 2018
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
22. März 2018
Zuerst gepostet (Tatsächlich)
26. März 2018
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
26. März 2018
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
22. März 2018
Zuletzt verifiziert
1. Februar 2018
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- JSPH-AIOCT-001
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Nein
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .