Potenzial von Deep Learning bei der Beurteilung von Pneumokoniose, dargestellt in der digitalen Thorax-Radiographie
8. Juli 2021 aktualisiert von: Peking University Third Hospital
Untersuchen Sie das Potenzial von Deep Learning bei der Beurteilung von Pneumokoniose, die auf digitalen Thorax-Röntgenaufnahmen dargestellt wird, und vergleichen Sie ihre Leistung mit zertifizierten Radiologen
Pneumokoniose ist in Ländern mit niedrigem/mittlerem Einkommen relativ weit verbreitet, und es bleibt eine schwierige Aufgabe, Pneumokoniose genau und zuverlässig zu diagnostizieren.
Die Forscher implementierten eine Deep-Learning-Lösung und verdeutlichten das Potenzial von Deep Learning in der Pneumokoniose-Diagnose, indem sie ihre Leistung mit zwei zertifizierten Radiologen verglichen.
Das Deep Learning zeigte ein einzigartiges Potenzial bei der Klassifizierung von Pneumokoniose.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Die Ermittler sammelten rückwirkend einen Datensatz bestehend aus Röntgenbildern des Brustkorbs von 1881 in Form von digitaler Radiographie.
Diese Bilder wurden in einer Screening-Umgebung von Probanden aufgenommen, die in der Vergangenheit in einer Umgebung gearbeitet haben, in der sie schädlichem Staub ausgesetzt waren.
Unter diesen Probanden wurde bei 923 Pneumokoniose diagnostiziert und 958 waren normal.
Um die Patienten mit Pneumokoniose zu identifizieren, wendeten die Forscher ein klassisches Deep Convolutional Neural Network (CNN) namens Inception-V3 auf diese Bildsätze an und validierten die Klassifizierungsleistung der trainierten Modelle anhand der Fläche unter der Receiver Operating Characteristic Curve (AUC).
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
1881
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
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Bei 923 dieser Probanden wurde Pneumokoniose diagnostiziert, 958 waren normal.
Unter diesen Probanden waren 163 Frauen.
Beschreibung
Einschlusskriterien:
- Industriearbeiter mit Staubexposition in der Vorgeschichte und wurden von 2015 bis 2018 einem DR-Screening auf Pneumokoniose unterzogen
Ausschlusskriterien:
- Patienten mit schlechter Bildqualität
- Patienten mit unvollständigen klinischen Daten
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Convolutional Neural Network (CNN)
Ein klassisches Deep Convolutional Neural Network (CNN) namens Inception-V3 wurde auf die Bildsätze angewendet und validierte die Klassifizierungsleistung der trainierten Modelle
|
CNN-Architektur namens U-Net-Architektur
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
die Diagnose einer Pneumokoniose
Zeitfenster: bis zu 6 Monaten
|
Diagnose und Stadieneinteilung der Pneumokoniose wurden von einem Expertengremium bestehend aus zertifizierten Radiologen und Arbeitsmedizinern vorgenommen.
Die Diagnose einer Pneumokoniose wurde durch die Anamnese und frühere Krankenakten (Röntgenaufnahmen des Brustkorbs und Lungenfunktionstests) bestätigt.
|
bis zu 6 Monaten
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Studienstuhl: Xiaohua Wang, Peking University Third Hospital
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 2015
Primärer Abschluss (Tatsächlich)
31. Dezember 2018
Studienabschluss (Tatsächlich)
31. Dezember 2019
Studienanmeldedaten
Zuerst eingereicht
28. Juni 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
8. Juli 2021
Zuerst gepostet (Tatsächlich)
15. Juli 2021
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
15. Juli 2021
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
8. Juli 2021
Zuletzt verifiziert
1. Juni 2021
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- M2019467
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 .