- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05643612
Deep-Learning-Algorithmus zur Erkennung traumatischer Milzverletzungen und sequenzieller Lokalisierung
Der dreidimensionale schwach überwachte Deep-Learning-Algorithmus zur Erkennung traumatischer Milzverletzungen und sequenzieller Lokalisierung
Eine Milzverletzung ist ein tödliches Bauchtrauma und wird normalerweise durch medizinische Bilder wie Computertomographie diagnostiziert. Deep Learning hat sich bei der Erkennung von Anomalien in medizinischen Bildern bewährt.
In dieser Studie haben wir eine anonymisierte Registerdatenbank verwendet, um einen neuartigen Deep-Learning-basierten Algorithmus zu entwickeln, um das Milztrauma zu erkennen und die Verletzungsstellen zu identifizieren.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Hintergrund
Eine Milzverletzung ist die häufigste solide viszerale Verletzung bei einem stumpfen Bauchtrauma, und eine hochauflösende abdominale Computertomographie (CT) kann die Verletzung angemessen erkennen. Diese tödlichen Verletzungen wurden jedoch manchmal in der gegenwärtigen Praxis übersehen. Deep-Learning-Algorithmen haben ihre Fähigkeiten bei der Erkennung von auffälligen Befunden in medizinischen Bildern unter Beweis gestellt. Das Ziel dieser Studie ist die Entwicklung eines dreidimensionalen, unüberwachten Deep-Learning-Algorithmus zur Erkennung von Milzverletzungen im Abdominal-CT unter Verwendung eines sequentiellen Lokalisierungs- und Klassifizierungsansatzes.
Material und Methoden
Wir haben retrospektiv Daten von Patienten gesammelt, die sich in der Notaufnahme des Chang Gung Memorial Hospital, Linko, aufgrund eines Traumas und eines akuten Abdomens von Juli 2008 bis Dezember 2017 einer kontrastverstärkten Abdomen-CT unterzogen hatten. Alle Patienten wurden im Trauma- und Akutabdomenregister registriert. Demografische Informationen, einschließlich Alter, Geschlecht, Krankheitsdiagnose, Traumamechanismus, Verletzungsschwere-Score, neuer Verletzungsschwere-Score, abgekürzte Verletzungsskala und Grad der Milzverletzung, wurden gesammelt. Scans, die eine Milzverletzung zeigten, wurden als positiv identifiziert, und die verbleibenden Scans wurden als Negativkontrollen definiert. Wir identifizierten 300 venöse Phasenscans mit Milzverletzung und wählten zufällig 300 zusätzliche venöse Phasenscans aus den Negativkontrollen aus. CT-Scans mit anderen Bauchtraumaverletzungen als Milzverletzungen wurden nicht ausgeschlossen, um die Auswahlverzerrung zu verringern. Alle Daten wurden nach Alter, Geschlecht, Vorhandensein einer Milzverletzung und Schweregrad der Verletzung unter Verwendung von stratifizierter Stichprobenziehung in den Entwicklungsdatensatz und den Testsatz in einem Verhältnis von 8:2 aufgeteilt. Ein Achtel des Entwicklungsdatensatzes wurde außerdem als Validierungssatz während der Modellkonstruktion reserviert.
Bildvorverarbeitung und Beschriftung
Die CT-Bilder wurden im Originalformat Digital Imaging and Communications in Medicine (DICOM) aufgenommen. Die Bilder wurden dann in das Format der Neuroimaging Informatics Technology Initiative konvertiert, wodurch 3D-Voxel-basierte Bilder erzeugt wurden. Unser Algorithmus wurde dann basierend auf den venösen Axialschnitten entwickelt, der häufigsten Bildgebungsrichtung bei abdominalen Traumauntersuchungen. Während des Trainingsprozesses wurde eine Bilderweiterung durch Translation, Rotation, Skalierung und elastische Verzerrungen angewendet, um die Generalisierbarkeit des Modells zu erhöhen.
Ein Unfallchirurg mit 10 Jahren Erfahrung bestätigte alle positiven und negativen Scans. Bei allen Scans wurde die Milz mit ihrem umgebenden Hintergrund mit einem manuell gezeichneten 3D-Begrenzungsrahmen bedeckt.
Lokalisierung der Milz
Das Lokalisierungsmodell wurde basierend auf 3D Faster RCNN mit Resnet-101 als Backbone-Struktur entworfen und auf dem Entwicklungsdatensatz trainiert. Wir verwendeten Kreuzentropie, fokalen Verlust als Klassenverlust und L1-Verlust, Distanzschnitt über Vereinigung (DIOU) als Box-Regressionsverlust und übernahmen Schnitt über Vereinigung (IOU) und DIOU in nicht maximaler Unterdrückung (NMS) für das Training von der Objekterkennungsalgorithmus.
Identifizierung und Visualisierung von Milzverletzungen
Die zugeschnittenen 3D-Bilder wurden verwendet, um das Klassifizierungsmodell für Milzverletzungen zu entwickeln. Wir haben die Blockarchitektur modifiziert, um die Interpretierbarkeit des Argumentationsprozesses des gelernten Netzwerks zu verbessern. Die Ausgabe des Modells war die Wahrscheinlichkeit einer Milzverletzung.
Die Modellleistung wurde unter Verwendung der Fläche unter der Receiver Operating Characteristic Curve (AUROC), der Genauigkeit, Empfindlichkeit, Spezifität, des positiven Vorhersagewerts und des negativen Vorhersagewerts bewertet.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Taoyuan, Taiwan, 333
- Chang Gung memorial hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die sich von Juli 2008 bis Dezember 2017 einer abdominalen Computertomographie in der Notaufnahme wegen Traumata und akuter abdominaler Untersuchung unterzogen haben.
Ausschlusskriterien:
- Bilder in schlechter Qualität
- keine Kontrastserie von Computertomographiebildern.
- Bilder aus anderen Krankenhäusern ohne ordnungsgemäße Auswertung
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Sonstiges
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
Milzverletzungsgruppe
Wir haben retrospektiv Daten von Patienten gesammelt, die sich in der Notaufnahme des Chang Gung Memorial Hospital, Linko, aufgrund eines Traumas und eines akuten Abdomens von Juli 2008 bis Dezember 2017 einer kontrastverstärkten Abdomen-CT unterzogen hatten.
Wir identifizierten 300 venöse Phasenscans mit Milzverletzung.
|
Ein sequentielles zweistufiges 3D-Framework zur Erkennung von Milzverletzungen zur Identifizierung von Milzverletzungen in den CT-Scans
|
Kontrollgruppe
Wir haben retrospektiv Daten von Patienten gesammelt, die sich in der Notaufnahme des Chang Gung Memorial Hospital, Linko, aufgrund eines Traumas und eines akuten Abdomens von Juli 2008 bis Dezember 2017 einer kontrastverstärkten Abdomen-CT unterzogen hatten.
Wir haben zufällig 300 zusätzliche venöse Phasenscans ohne Milzverletzung ausgewählt
|
Ein sequentielles zweistufiges 3D-Framework zur Erkennung von Milzverletzungen zur Identifizierung von Milzverletzungen in den CT-Scans
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Diagnostische Genauigkeit
Zeitfenster: 3 Tage
|
Diagnostische Genauigkeit des Deep-Learning-Algorithmus zur Erkennung von Milzverletzungen
|
3 Tage
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Vergleich des Differenzrückgrats des Algorithmus
Zeitfenster: 3 Tage
|
Der Unterschied der diagnostischen Genauigkeit zwischen verschiedenen Infrastrukturen von Deep-Learning-Algorithmen
|
3 Tage
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Chien-Hung Liao, MD., Chang Gung memorial hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Schätzen)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Schätzen)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- SpleenTrNet
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .
Klinische Studien zur Maschinelles Lernen
-
RenJi HospitalNoch keine RekrutierungDeep Learning, lumbale Magnetresonanztomographie
-
Chelsea and Westminster NHS Foundation TrustNational Institute for Health Research, United Kingdom; OCB MediaAbgeschlossenQualitätsverbesserung | Lernen | E-LearningVereinigtes Königreich
-
Hai LvNoch keine RekrutierungFacettengelenke; Entartung; Deep Learning; Künstliche Intelligenz
-
Orsi AcademyAbgeschlossen
-
Tianjin Eye HospitalRekrutierungDeep Learning, Hornhauterkrankungen, ScreeningChina
-
Maastricht University Medical CenterAktiv, nicht rekrutierendAktinische Keratose | Dermatologie | E-LearningNiederlande
-
Wuhan Union Hospital, ChinaNoch keine RekrutierungNicht-kleinzelligem Lungenkrebs | Pathologische vollständige Reaktion | Neoadjuvante Chemoimmuntherapie | Deep-Learning-Modell
-
Sun Yat-sen UniversityRekrutierungDeep-Learning-ModellChina
-
Bahria UniversityRekrutierungCovid-19 | Medizinstudent | E-LearningPakistan
-
Centre Hospitalier Universitaire, AmiensUnbekanntNierenkolik | Urolithiasis | Steine der Harnwege | Deep-Learning-RekonstruktionFrankreich
Klinische Studien zur Deep-Learning-Algorithmus
-
Jia LiuAbgeschlossenArteriosklerose der HalsschlagaderChina
-
Hao TangRekrutierung
-
Copenhagen University Hospital, HvidovreRekrutierung
-
Beijing Tongren HospitalRekrutierung
-
Shanghai 6th People's HospitalNoch keine RekrutierungBewertung der Erkennungsleistung der Wirbelsäuleninstabilität des DLS
-
Chinese PLA General HospitalRekrutierungGefäßerkrankungen | Hirnschlag | RadiologieChina
-
Chang Gung Memorial HospitalMinistry of Science and Technology, TaiwanRekrutierung
-
Chang ChenZunyi Medical College; Ningbo HwaMei Hospital, Zhejiang, China; The First Affiliated... und andere MitarbeiterRekrutierung
-
Jiangxi Provincial Cancer HospitalGuangdong Provincial People's HospitalRekrutierungLungenkrebs | Künstliche IntelligenzChina
-
DeepechoCentre Hospitalier Universitaire Ibn Rochd; Mohammed VI University Hospital; Hassan... und andere MitarbeiterAbgeschlossenOligohydramnion | Polyhydramnion | Einschränkung des fötalen Wachstums | Klein für Säuglinge im GestationsalterMarokko