Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Entwicklung und Validierung eines Deep-Learning-Systems für multiple Augenhintergrunderkrankungen unter Verwendung von Netzhautbildern

24. Dezember 2019 aktualisiert von: Haotian Lin, Sun Yat-sen University

Entwicklung und Validierung eines Deep-Learning-Systems für multiple Augenhintergrunderkrankungen unter Verwendung von Netzhautbildern: eine multizentrische prospektive Studie

Netzhautbilder können sowohl Fundus- als auch systemische Zustände (Diabetes und Herz-Kreislauf-Erkrankungen) widerspiegeln und aufgrund ihrer Vorteile von klinischer Bedeutung und einfacher Beschaffung zunächst für das medizinische Algorithmentraining für künstliche Intelligenz (KI) verwendet werden. Hier entwickelten die Forscher ein einzelnes Netzwerkmodell, das die Merkmale unter mehreren Funduserkrankungen ermitteln kann, das durch zahlreiche Fundusbilder mit einem oder mehreren Krankheitsetiketten (falls vorhanden) in jedem von ihnen trainiert wurde. Die Modellleistung wurde mit der von einheimischen und internationalen Augenärzten verglichen. Das Modell wurde weiter durch Datensätze mit unterschiedlichen Kameratypen getestet und durch drei externe Datensätze validiert, die prospektiv an den klinischen Standorten erhoben wurden, an denen das Modell angewendet werden sollte.

Studienübersicht

Status

Unbekannt

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

300000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • China
    • Guangdong
      • Guangzhou, Guangdong, China, 510060
        • Rekrutierung
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kontakt:
        • Hauptermittler:
          • Haotian Lin, Ph.D

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

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Netzhautbilder wurden von verschiedenen Gesundheitsinstituten in ganz China und anderen Ländern auf der ganzen Welt gesammelt.

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

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: Sonstiges
  • Zeitperspektiven: Sonstiges

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Trainingsdatensatz
Netzhautbilder, die in Krankenhäusern und an mehreren Screening-Standorten in ganz China gesammelt wurden
Validierungsdatensatz
Vom Trainingsdatensatz getrennte Netzhautbilder
Sonstiges: diagnostisch
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
Sonstiges: diagnostisch
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

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

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

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Sun Yat-sen University

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

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)

1. Januar 2014

Primärer Abschluss (Voraussichtlich)

1. Februar 2020

Studienabschluss (Voraussichtlich)

1. Mai 2020

Studienanmeldedaten

Zuerst eingereicht

23. Dezember 2019

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

24. Dezember 2019

Zuerst gepostet (Tatsächlich)

30. Dezember 2019

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

30. Dezember 2019

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

24. Dezember 2019

Zuletzt verifiziert

1. Dezember 2019

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • CCPMOH2019- China8

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 .

Klinische Studien zur diagnostisch

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Israel

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren