Deep Neural Networks zur Genauigkeit der Diagnose von Hautkrankheiten bei Nicht-Dermatologen
25. Oktober 2022 aktualisiert von: Pyoeng Gyun Choe
Auswirkung der Verwendung tiefer neuronaler Netze auf die Genauigkeit der Diagnose von Hautkrankheiten bei Ärzten, die keine Dermatologen sind
Hintergrund: Deep Neural Networks (DNN) wurden in experimentellen Umgebungen auf viele Arten von Hautkrankheiten angewendet.
Ziel: Das Ziel dieser Studie ist es, die Erweiterung tiefer neuronaler Netze für die Diagnose von Hautkrankheiten bei Ärzten, die keine Dermatologen sind, in einer realen Umgebung zu bestätigen.
Methoden: Insgesamt werden 40 nicht-dermatologische Ärzte in einem einzigen Krankenhaus der Tertiärversorgung aufgenommen. Sie werden randomisiert einer DNN-Gruppe und einer Kontrollgruppe zugeteilt. Durch den Vergleich zweier Gruppen werden die Forscher die Wirkung der Verwendung tiefer neuronaler Netze auf die Diagnose von Hautkrankheiten in Bezug auf die Genauigkeit abschätzen.
Studienübersicht
Status
Beendet
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
In der DNN-Gruppe und der Kontrollgruppe sind diese Schritte derselbe Prozess.
- Routineuntersuchung und Fotografieren von Hautläsionen für alle in Frage kommenden aufeinanderfolgenden Serienpatienten.
- Stellen Sie eine klinische Diagnose (VOR-DX)
- Stellen Sie eine klinische Diagnose (AFTER-DX)
- Hautarzt konsultieren
In der DNN-Gruppe verwenden Ärzte nach der Erstellung des BEFORE-DX tiefe neuronale Netze und erstellen einen AFTER-DX unter Berücksichtigung der Ergebnisse der tiefen neuronalen Netze (Model Dermatology, Build 2020).
In der Kontrollgruppe machen die Ärzte nach dem Vorher-DX einen Nachher-DX, nachdem sie die Bilder der Hautläsionen noch einmal überprüft haben.
Ground Truth basiert auf der Biopsie, falls verfügbar, oder der Konsensdiagnose der Dermatologen.
Die Forscher werden die Genauigkeit zwischen der DNN-Gruppe und der Kontrollgruppe nach 6 aufeinanderfolgenden Monaten der Studie vergleichen.
Studientyp
Interventionell
Einschreibung (Tatsächlich)
55
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
-
Seoul, Korea, Republik von, 03080
- Seoul National University Hospital
-
-
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
- ERWACHSENE
- OLDER_ADULT
- KIND
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Beschreibung
Einschlusskriterien:
- nicht-dermatologischer Arzt (Bewohner), der sich bereit erklärt, an dieser Studie teilzunehmen
Ausschlusskriterien:
- Bewohner der Dermatologie
- Nicht-Dermatologen, die andere tiefe neuronale Netze für die Diagnose von Hautläsionen verwenden
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: DIAGNOSE
- Zuteilung: ZUFÄLLIG
- Interventionsmodell: PARALLEL
- Maskierung: KEINER
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
EXPERIMENTAL: DNN-Gruppe
Verwendung tiefer neuronaler Netze für die Diagnose von Hautläsionen
|
Ärzte in der DNN-Gruppe machen Bilder der Hautläsion und verwenden den Algorithmus, indem sie Bilder hochladen.
|
|
KEIN_EINGRIFF: Kontrollgruppe
konventionelle Diagnostik
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Top-1 diagnostische Genauigkeit
Zeitfenster: 6 aufeinanderfolgende Monate
|
Häufigkeit korrekter Top-1-Vorhersagen
|
6 aufeinanderfolgende Monate
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Top-2 und 3 diagnostische Genauigkeit
Zeitfenster: 6 aufeinanderfolgende Monate
|
Häufigkeit korrekter Top-2- und Top-3-Vorhersagen
|
6 aufeinanderfolgende Monate
|
|
Infektionsempfindlichkeit
Zeitfenster: 6 aufeinanderfolgende Monate
|
positive Rate der Infektionsdiagnose
|
6 aufeinanderfolgende Monate
|
|
Malignitätssensitivität
Zeitfenster: 6 aufeinanderfolgende Monate
|
Positive Malignitätsdiagnoserate
|
6 aufeinanderfolgende Monate
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
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
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
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)
27. November 2020
Primärer Abschluss (TATSÄCHLICH)
27. November 2021
Studienabschluss (TATSÄCHLICH)
27. Dezember 2021
Studienanmeldedaten
Zuerst eingereicht
13. November 2020
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
13. November 2020
Zuerst gepostet (TATSÄCHLICH)
19. November 2020
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
27. Oktober 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
25. Oktober 2022
Zuletzt verifiziert
1. Oktober 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2020-3233
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 .