- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04952233
Anwendungswert von Deep Learning in der Diagnose der zervikalen Spondylose
Verglichen mit dem persönlichen Erfahrungsurteil von Ärzten kann Deep Learning etwas schneller, effizienter und genauer identifizieren. Die Identifizierung und Diagnose von Krankheiten spart die Energie von klinischen und bildgebenden Ärzten und erreicht eine individualisierte Diagnose von Patienten. Diagnose und Bewertung sind vorteilhaft für die Formulierung klinischer Operationsmethoden und die Verbesserung der Patientenprognosen.
Diese Studie verwendet Deep-Learning-Technologie, um durch die großen Datenmengen von Fällen zervikaler Spondylose zu lernen, um die Verwendung von Deep Learning zu untersuchen. Die Machbarkeit der Identifizierung und Analyse der charakteristischen Bildgebungsbefunde von zervikalen CT-Bildern, die auf eine Diagnose hinweisen können, wird versucht zu erreichen die Ebene der durch künstliche Intelligenz unterstützten Diagnose der zervikalen Spondylose.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Zervikale Spondylose ist auf zervikale Bandscheiben und Bandscheibengelenke und deren sekundäre Veränderungen des angrenzenden Rückenmarks, der Nervenwurzeln und der Wirbelarterie und anderer Gewebestrukturen zurückzuführen, die die entsprechenden klinischen Symptome verursachen. Zervikale Spondylose ist eine häufige und häufige Erkrankung bei Menschen mittleren Alters und älteren Menschen. Die Inzidenz von zervikaler Spondylose beträgt 10 Prozent bei Menschen über 30 Jahren und ist höher bei denen, die am Schreibtisch arbeiten.
Zwei Arten von zervikaler Spondylose sind häufig: zervikale spondylotische Radikulopathie und zervikale spondylotische Myelopathie. Die Behandlungsprinzipien sind sehr unterschiedlich, und auch die Prognose nach der Behandlung ist unterschiedlich. Eine präzise präoperative Bildgebung und klinische Diagnose sind hilfreich, um den Effekt der Operation und die Prognose der Patienten genau abzuschätzen.
Um eine frühzeitige genaue Diagnose zu erreichen, ist daher die Verbesserung der Halswirbelsäule der Schlüssel zur heilenden Wirkung der Krankheit. Allgemein als Deep Learning bezeichnet, ist eine Art Musteranalysemethode, durch die Kombination von einfachen und nichtlinearen Modulen für mehrstufiges „Charakterlernen“ oder „sagtes Lernen“-Modell jedes Moduls zu jeder Ebene (ursprüngliche Eingabe) Daten in eine höhere Dimension, abstraktere Darstellung, wenn genügend dieser Transformationen vorhanden sind, kann die anfängliche Merkmalsdarstellung auf "niedriger Ebene" in Merkmalsdarstellung auf "hoher Ebene" umgewandelt werden, und komplexe Lernaufgaben wie Klassifikation können abgeschlossen werden.
Für die Klassifikationsaufgabe werden die für die Klassifikation wichtigen Merkmale durch Erhöhen der Anzahl der Schichten verstärkt, und die irrelevanten Merkmale werden ignoriert.
Zu den wichtigsten Forschungsmethoden gehören derzeit Convolutional Neural Networks (CNN), selbstkodierende neuronale Netze auf der Basis von mehrschichtigen Neuronen und Deep Confidence Networks. Derzeit wird CNN hauptsächlich im Bereich der medizinischen Bilderkennung eingesetzt.
Wie AlexNet, Densenet, VGG16, Googlenet und so weiter. Die Motivation für Deep Learning besteht darin, neuronale Netze aufzubauen, die das menschliche Gehirn für analytisches Lernen nachahmen. Es ahmt die Mechanismen des menschlichen Gehirns nach, um Daten wie Bilder, Töne und Text zu interpretieren, und hat erhebliche Fortschritte bei der Lösung vieler Probleme erzielt, die für herkömmliches maschinelles Lernen schwierig zu lösen sind.
Deep-Learning-Methoden haben sich als sehr gut erwiesen, um komplexe Strukturen in hochdimensionalen Daten zu entdecken.
Im Bereich der Medizin und des Gesundheitswesens hat die Technologie der künstlichen Intelligenz das Problem der Dateninterpretation verschiedener medizinischer Bilder schrittweise gelöst, mehr Informationen entdeckt, die hinter den Bildern „versteckt“ sind, wie z. B. Röntgen, CT, MRI usw., und werden die Erkennung, das Screening und die Diagnose eines bestimmten Falls schrittweise realisieren und das Expertenniveau der Diagnose erreichen.
Gleichzeitig kann die Anwendung der Technologie der künstlichen Intelligenz die Belastung der Ärzte verringern, medizinische Fehldiagnosen reduzieren und die Effizienz von Diagnose und Behandlung verbessern.
Gegenwärtig wird Deep Learning häufig zur Diagnose und Vorhersage verschiedener Krankheiten in verschiedenen Körpersystemen eingesetzt.
Hemkeet al. führten maschinelle Lernforschung nach manueller Segmentierung von Becken-CT-Bildern durch und stellten fest, dass das Deep-Learning-Modell verwendet werden kann, um eine Vielzahl verschiedener Gewebetypen in der Beckenhöhle automatisch zu erkennen und zu segmentieren, einschließlich Muskeln, Knochen, Fett, subkutanes Fettgewebe usw .
Koichiro Yasakaet al. [8] führten eine Deep-Learning-Studie an der Lendenwirbelsäule durch und stellten fest, dass Deep Learning verwendet werden kann, um die Knochendichte der Lendenwirbelsäule vorherzusagen und den Schweregrad der Osteoporose weiter zu bewerten.
Spampinatoet al. führte eine Deep-Learning-Studie mit Röntgenaufnahmen der Hand durch, um das Knochenalter vorherzusagen.
Daher ist es von großer Bedeutung, Deep Learning, eine aufkommende Analysetechnik, auf die Erkennung von Bildgebungsmerkmalen von zervikalen CT-Bildern anzuwenden. Die Forschungsbedeutung ist wie folgt:
Eine genaue und effiziente präoperative Diagnose der zervikalen Spondylose kann durchgeführt werden, um eine übermäßige medizinische Behandlung oder eine Krankheitsverzögerung aufgrund einer verpassten Diagnose oder Fehldiagnose zu vermeiden. Es kann eine individualisierte Diagnose und Bewertung für Patienten erreicht werden, was klinisch hilft, Behandlungsstrategien vernünftig zu spezifizieren, und der Formulierung klinischer Operationsmethoden und der Verbesserung der Patientenprognose förderlich ist.
Studientyp
Einschreibung (Voraussichtlich)
Kontakte und Standorte
Studienkontakt
- Name: huishu yuan
- Telefonnummer: 13521627288
- E-Mail: chunjiewang17@126.com
Studieren Sie die Kontaktsicherung
- Name: chunjie wang
- Telefonnummer: 13521627288
- E-Mail: chunjiewang17@126.com
Studienorte
-
-
Beijing
-
Beijing, Beijing, China, 010
- Rekrutierung
- Peking University Third Hospital
-
Kontakt:
- Huishu Yuan, Dr
- Telefonnummer: 13521627288
- E-Mail: huishuy@bjmu.edu.cn
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Vor dem bildgebenden Scan wurde keine chirurgische Behandlung durchgeführt. Bildgebender Bericht und klinische Diagnose einer zervikalen Spondylose mit oder ohne Verknöcherung des hinteren Längsbandes.
- Patienten, die die orthopädische Abteilung und die Notaufnahme unseres Krankenhauses ohne chirurgische Behandlung vor dem Bildscan besuchten und in der zervikalen bildgebenden CT keine offensichtlichen Anomalien gefunden wurden.
Ausschlusskriterien:
- Operation vor der Bilddatenerfassung;
- Gebärmutterhalskrebs, Tuberkulose und Fraktur;
- Das Fehlen von Bilddaten, das Bild ist nicht klar.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Sonstiges
- Zeitperspektiven: Retrospektive
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Vergleichen Sie die Konsistenz zwischen AI und Klinikern bei der Identifizierung zervikaler CT-Merkmale (zervikale Krümmung, Ausrichtung, Zwischenwirbelraum, Bandscheibenvorfall, Verknöcherung des hinteren Längsbandes, Spinalkanalstenose)
Zeitfenster: 2019-2021
|
Vergleichen Sie die Konsistenz zwischen AI und Klinikern bei der Identifizierung zervikaler CT-Merkmale (zervikale Krümmung, Ausrichtung, Zwischenwirbelraum, Bandscheibenvorfall, Verknöcherung des hinteren Längsbandes, Spinalkanalstenose)
|
2019-2021
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Studienstuhl: Huishu Yuan, Peking University Third Hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- M2020499
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 .