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

Eine Plattform für die multidisziplinäre Entwicklung medizinischer künstlicher Intelligenz (AI)

16. Mai 2021 aktualisiert von: Haotian Lin, Sun Yat-sen University
Biomedizinisches Deep Learning (DL) hängt oft stark von der Generierung zuverlässiger Labels für große Datenmengen und hohen technischen Anforderungen für das Modelltraining ab. Um DL-Modelle effizient zu entwickeln, haben wir eine integrierte Plattform eingerichtet, um sowohl die Annotation als auch das Modelltraining zu automatisieren – den primären Prozess der DL-Modellentwicklung. Basierend auf dieser Plattform haben wir die Annotationsstrategie und die KI-Modellentwicklung quantitativ validiert und mit der rein manuellen Annotationsmethode verglichen, die an medizinischen Bilddatensätzen aus mehreren Disziplinen durchgeführt wurde.

Studienübersicht

Status

Rekrutierung

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

200

Kontakte und Standorte

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

Studienkontakt

  • Name: Haotian Lin, Ph.D, M.D.
  • Telefonnummer: +86-020-87330274
  • E-Mail: gddlht@aliyun.com

Studienorte

  • China
    • Guangdong
      • Guangzhou, Guangdong, China, 510060
        • Rekrutierung
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kontakt:

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

Ja

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Medizinische Bildgebung für verschiedene Disziplinen, darunter Augenheilkunde, Pathologie, Radiographie, Blutzellen und Endoskopie

Beschreibung

Einschlusskriterien:

  • über medizinische Bildgebungsunterlagen verfügen (einschließlich Augenheilkunde, Pathologie, Radiographie, Blutzellen und Endoskopie)

Ausschlusskriterien:

  • unqualifizierte medizinische Bildgebung

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Gruppe für die Zusammenarbeit zwischen Mensch und Maschine
medizinisches Fachpersonal und maschinelle Zusammenarbeit für Annotation und KI-Modellentwicklung
reine Jahresgruppe
Gesundheitsexperten für rein manuelle Annotation und KI-Modellentwicklung

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Anmerkungsgenauigkeit
Zeitfenster: Grundlinie
Berechnen Sie die Annotationsgenauigkeit für den Vergleich zwischen Gruppen mithilfe der Annotationsergebnisse
Grundlinie

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der Modellleistung
Zeitfenster: Grundlinie
Berechnen Sie die Genauigkeit des KI-Modells für den Vergleich zwischen Gruppen mithilfe der vom Modell vorhergesagten Ergebnisse
Grundlinie
AUC der Modellleistung
Zeitfenster: Grundlinie
Berechnen Sie die AUCs des KI-Modells für den Vergleich zwischen Gruppen unter Verwendung der vom Modell vorhergesagten Ergebnisse
Grundlinie
Kosten für die Annotationszeit
Zeitfenster: Grundlinie
Berechnen Sie die Annotationszeitkosten für den Vergleich zwischen Gruppen anhand der während der Tests aufgezeichneten Zeit
Grundlinie

Mitarbeiter und Ermittler

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

Sponsor

Sun Yat-sen University

Ermittler

  • Hauptermittler: Haotian Lin, Ph.D, M.D., Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity

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)

18. März 2021

Primärer Abschluss (Tatsächlich)

1. April 2021

Studienabschluss (Voraussichtlich)

31. Mai 2021

Studienanmeldedaten

Zuerst eingereicht

18. März 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

16. Mai 2021

Zuerst gepostet (Tatsächlich)

18. Mai 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

18. Mai 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

16. Mai 2021

Zuletzt verifiziert

1. Mai 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • AIplatform-2020

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 Medizinische Bildgebung

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Cambodia

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren