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

Multizentrische Anwendung eines KI-Systems zur Diagnose von zervikalen Läsionen basierend auf Kolposkopie-Bildern

15. November 2023 aktualisiert von: Binhua Dong, Fujian Maternity and Child Health Hospital

Multizentrische Anwendung eines Systems künstlicher Intelligenz zur automatischen Echtzeit-Diagnose von zervikalen Läsionen basierend auf Kolposkopie-Bildern

Die Anwendung künstlicher Intelligenz bei der Bilderkennung in der Diagnose zervikaler Läsionen hat sich in den letzten Jahren zu einem Forschungsschwerpunkt entwickelt. Die Analyse und Interpretation von Kolposkopiebildern spielt eine wichtige Rolle bei der Diagnose, Prävention und Behandlung von präkanzerösen Läsionen des Gebärmutterhalses und Gebärmutterhalskrebs. Derzeit wird die Genauigkeit der Kolposkopie-Erkennung noch von vielen Faktoren beeinflusst. Die Erforschung des Diagnosesystems zervikaler Läsionen basierend auf multimodalem Deep Learning von Kolposkopiebildern ist ein neues und bedeutendes Forschungsthema. Basierend auf der großen Datenbank mit Bildern und Nicht-Bildern zur Diagnose zervikaler Läsionen richtete die Forschungsgruppe eine heterogene Big-Data-Plattform zur Diagnose zervikaler Läsionen aus mehreren Quellen mit Nicht-Bild- und Bilddaten ein. Erforschen Sie das Segmentierungs- und Klassifizierungsmodell von Läsionen des Kolposkopiebildes auf der Grundlage eines konvolutionellen neuronalen Netzwerks, untersuchen Sie das relevante Modell des medizinischen Datenfusionsnetzwerks, das die Diagnose von zervikalen Läsionen beeinflusst, und realisieren Sie ein multimodales selbstlernendes Diagnosesystem für zervikale Läsionen mit künstlicher Intelligenz auf der Grundlage von Kolposkopie Bilder. Die Anwendungseffizienz des Systems künstlicher Intelligenz in der realen Welt wurde durch die Kohorte untersucht, und das intelligente Lehrmodell und die Methode der Diagnose von zervikalen Läsionen wurden auf der Grundlage des obigen intelligenten Systems weiter etabliert.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Basierend auf früheren Studien und der klinischen Praxis führte diese Studie eine multizentrische Anwendung in der Provinz Fujian, China, durch. In diese Studie wurden das Fujian Maternity and Child Health Hospital und das Mindong Hospital der Stadt Ningde mit insgesamt 10.000 Teilnehmern aufgenommen, die sich einer Kolposkopie-Untersuchung unterzogen haben. An erster Stelle werden die Forscher ein multimodales Diagnosesystem mit künstlicher Intelligenz aufbauen, indem sie Kolposkopiebilder mit anderen Nicht-Bilddaten wie den Ergebnissen von HPV-Tests und dem zytologischen Thinprep-Test (TCT) usw. kombinieren. Verwenden Sie dann standardisierte Kolposkopiebilder und medizinische Nichtbilddaten von zervikalen Läsionen in verschiedenen medizinischen Einrichtungen, um die Wirksamkeit des multimodalen intelligenten Diagnosesystems für zervikale Läsionen zu überprüfen. Darüber hinaus werden die Forscher Kohorten mit künstlicher Intelligenz (unterstützt durch intelligente Systeme) und traditionelle Arztkohorten (unterstützt durch Experten, leitende und primäre Ärzte) aufbauen, um die Diagnoseergebnisse des multimodalen diagnostischen Systems mit künstlicher Intelligenz und verschiedener Ebenen von Kolposkopie-Ärzten gegenüberzustellen. Und kann auch bidirektional die diagnostische Wirksamkeit und Unterschiede des Systems und der Kolposkopie-Ärzte verschiedener Ebenen analysieren und die Leistung dieses Diagnosesystems für reale Anwendungen bewerten.

Studientyp

Interventionell

Einschreibung (Geschätzt)

10000

Phase

  • Unzutreffend

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • China
      • Nanping, China
        • Rekrutierung
        • Jianou Maternal and child Health Care Hospital
        • Kontakt:
          • Huihua Ge
      • Ningde, China
        • Rekrutierung
        • Ningde Hospital affiliated to Ningde Normal University
        • Kontakt:
          • Wenfang Jin
      • Quanzhou, China
        • Rekrutierung
        • Quanzhou First Hospital
        • Kontakt:
          • Yuchun Lv
    • Fujian
      • Fuzhou, Fujian, China, 350001
        • Rekrutierung
        • Fujian Maternity and Child Health Hospital
        • Kontakt:
      • Ningde, Fujian, China, 352000
        • Rekrutierung
        • MinDong Hospital of Ningde City
        • Kontakt:
          • Fang Xie, M.D
          • Telefonnummer: +8613860388999

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

18 Jahre und älter (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  • Verheiratete Frau
  • Frau ab 18 Jahren
  • Frau mit intaktem Gebärmutterhals
  • Patienten mit auffälligen Ergebnissen bei der Gebärmutterhalskrebsvorsorge
  • In der Lage sein, diese Studie zu verstehen und eine schriftliche Einverständniserklärung unterzeichnet haben

Ausschlusskriterien:

  • Frau mit akuter Entzündung der Fortpflanzungsorgane
  • Geschichte der Becken-Radiotherapie-Chirurgie
  • Frau mit psychischer Störung
  • Patienten mit anderen bösartigen Tumoren in der Vorgeschichte
  • Verweigern Sie die Teilnahme an dieser Studie

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: Parallele Zuordnung
  • Maskierung: Verdreifachen

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Aktiver Komparator: Diagnosegruppe Künstliche Intelligenz
Frauen, die bei der Gebärmutterhalskrebsvorsorge Auffälligkeiten aufweisen und eine Überweisung zur Kolposkopie benötigen. Die Kolposkopie wurde mit Hilfe eines Systems der künstlichen Intelligenz (KI) durchgeführt.
Diagnosetest: Diagnose mit künstlicher Intelligenz
Die Einteilung der Teilnehmer in die Interventionsgruppe und die Kontrollgruppe erfolgte anhand einer Zufallszahlentabelle. Die zervikalen kolposkopischen Bilddaten und Nicht-Bilddaten der Teilnehmer der Interventionsgruppe wie folgt: Alter, Infektion mit dem Hochrisiko-Human-Papillomavirus (HR-HPV), Art der HR-HPV-Infektion, Dauer der HR-HPV-Infektion, zervikal Zytologie (TCT)-Ergebnisse, HIV/sexuell übertragbare Infektionsgeschichte, Ehe- und Geburtsgeschichte, erste Sexuallebensgeschichte, Sexualpartnergeschichte, Rauchergeschichte, orale Kontrazeptiva-Geschichte, die Verwendung von Immunmedikamenten und mögliche klinische Symptome von zervikalen Läsionen wie postkoitale Blutungen , abnormale Vaginalsekrete, vaginale Blutungssymptome usw.
Kein Eingriff: Gynäkologische Diagnosegruppe
Frauen, die bei der Gebärmutterhalskrebsvorsorge Auffälligkeiten aufweisen und eine Überweisung zur Kolposkopie benötigen. Die Kolposkopie wird von einem Gynäkologen ohne fremde Hilfe selbstständig durchgeführt.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
HPV-Test
Zeitfenster: o Monat
Abgeblätterte Zervixzellen wurden für HPV-Tests gesammelt
o Monat
Zervix-Zytologie-Tests
Zeitfenster: 0 Monat
Abgeblätterte Zervixzellen wurden zur zytologischen und pathologischen Untersuchung gesammelt.
0 Monat
Zervikale histopathologische Untersuchung
Zeitfenster: 0 Monat
Zervixgewebe wurde zur histopathologischen Untersuchung gesammelt
0 Monat
Genauigkeit der CIN2+-Diagnose
Zeitfenster: 0 Monat
Genauigkeit bei der Diagnose einer zervikalen intraepithelialen Neoplasie Grad 2 oder schlechter.
0 Monat
Genauigkeit der CIN3+-Diagnose
Zeitfenster: 0 Monat
Genauigkeit bei der Diagnose einer zervikalen intraepithelialen Neoplasie Grad 3 oder schlechter.
0 Monat

Mitarbeiter und Ermittler

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

Sponsor

Fujian Maternity and Child Health Hospital

Ermittler

  • Studienstuhl: Pengming Sun, PhD, Fujian Maternity and Child Health Hospital, Affiliated Hospital of Fujian Medical University

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. August 2021

Primärer Abschluss (Geschätzt)

1. August 2024

Studienabschluss (Geschätzt)

1. September 2024

Studienanmeldedaten

Zuerst eingereicht

7. März 2022

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

7. März 2022

Zuerst gepostet (Tatsächlich)

16. März 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Geschätzt)

16. November 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

15. November 2023

Zuletzt verifiziert

1. November 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • AICC2203

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

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 .

Abonnieren