- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06081569
Multimodales Deep Learning zur Diagnose und Beurteilung der Alzheimer-Krankheit
Die Alzheimer-Krankheit (AD) ist die häufigste Demenz und eine der teuersten Krankheiten mit der höchsten Letalität. Mit der rasanten Zunahme der Alterung der Bevölkerung werden die Belastungen für Gesellschaft und Wirtschaft immer größer. Die Manifestationen von AD sind der fortschreitende Verlust des Gedächtnisses, der Sprache und der visuell-räumlichen Funktion, der exekutiven und täglichen Lebensfähigkeiten usw. Die pathophysiologischen Veränderungen der Alzheimer-Krankheit treten 10–20 Jahre vor den klinischen Symptomen auf, während es immer noch an einer wirksamen Strategie für die Früherkennung mangelt. Eine leichte kognitive Beeinträchtigung (MCI) gilt als Übergangszustand zwischen gesundem Altern und der klinischen Diagnose einer Demenz und hat als separate diagnostische Einheit zunehmende Aufmerksamkeit erhalten.
Um die Diagnose zu stellen, sollten Ärzte die multimodalen medizinischen Informationen umfassend berücksichtigen, einschließlich klinischer Symptome, Neurobilder, neuropsychologischer Tests, Laboruntersuchungen usw. Multimodales Deep Learning hat sich dieser Herausforderung gestellt, das die verschiedenen Modalitäten biologischer Informationen integrieren und die Zusammenhänge erfassen könnte unter anderem tragen sie zu höherer Genauigkeit und Effizienz bei. Es wird häufig in der Bildgebung, Tumorpathologie, Genomik usw. eingesetzt. In jüngster Zeit konzentrierten sich die auf Deep Learning basierenden Studien zu AD immer noch hauptsächlich auf die multimodale Bildgebung, während multimodale medizinische Informationen eine umfassende Integration und intellektuelle Analyse erfordern. Darüber hinaus zeigen Studien, dass einige nicht wahrnehmbare Symptome bei MCI und im Frühstadium der Alzheimer-Krankheit ebenfalls eine wirksame Rolle bei der Diagnose und Beurteilung spielen können, wie z. B. Gangstörung, Dysfunktion bei der Erkennung von Gesichtsausdrücken sowie Sprech- und Sprachbeeinträchtigungen. Allerdings konnten Ärzte die geringfügigen und komplexen Veränderungen kaum erkennen, was auf der vollständigen Auswertung der Video- und Audioinformationen durch multimodales Deep Learning beruhen könnte.
Abschließend wollen wir die Merkmale von Gangstörungen, Dysfunktionen bei der Erkennung von Gesichtsausdrücken sowie Sprech- und Sprachbeeinträchtigungen bei MCI und AD untersuchen und ihre diagnostische Effizienz analysieren. Wir würden die unterschiedlichen Grade der Abhängigkeit von multimodalen medizinischen Informationen bei der Diagnose identifizieren und schließlich eine optimale multimodale Diagnosemethode entwickeln, die die bequemsten und wirtschaftlichsten Informationen nutzt. Darüber hinaus erwarten wir, basierend auf Folgebeobachtungen zu den Veränderungen multimodaler medizinischer Informationen mit dem Fortschreiten von AD und MCI, eine wirksame und praktische Diagnosestrategie zu entwickeln.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Unser Ziel ist die frühzeitige Diagnose und Beurteilung von AD und MCI auf der Grundlage von multimodalem Deep Learning. Zunächst sind Gangstörungen, Dysfunktionen bei der Gesichtsausdruckerkennung sowie Sprech- und Sprachbeeinträchtigungen von großer Bedeutung für das Auftreten und die Entwicklung von AD und MCI. Aufgrund der hohen Komplexität und Verheimlichung dieser klinischen Symptome wurden jedoch keine einheitlichen Schlussfolgerungen gezogen. Daher versuchen wir, Methoden des maschinellen Lernens anzuwenden, um die Video- und Audioinformationen zu erkennen. Auf diese Weise werden wir die sich verändernden Merkmale von Gang, Ausdruck und Sprache bei AD und MCI erforschen und ihre diagnostische Wirksamkeit als diagnostische Marker analysieren, um schließlich neue Ideen und experimentelle Daten für die Diagnose von AD und MCI bereitzustellen. Zweitens müssen multimodale medizinische Informationen integriert und umfassend analysiert werden. Unser Ziel ist es, eine optimale diagnostische Strategie vorzuschlagen, die sich auf die unterschiedlichen Grade der Abhängigkeit von multimodalen medizinischen Informationen in der Diagnose bezieht. Darüber hinaus gehen wir davon aus, dass wir durch die Beobachtung der Veränderungen in der multimodalen medizinischen Information mit dem Fortschritt von AD und MCI ein Vorhersagemodell für die AD-Diagnose und -Prognose erstellen können.
Die Methoden sind wie folgt:
- Sammeln multimodaler medizinischer Informationen Eine Vielzahl multimodaler medizinischer Informationen würde sorgfältig gesammelt, einschließlich der demografischen Basisdaten, der Hauptbeschwerde und der Krankengeschichte, der Beurteilung der Funktion peripherer Organe, Laboruntersuchungen, bildgebenden Untersuchungen, neuroelektrophysiologischen Untersuchungen, neurokognitiven und psychologischen Untersuchungen sowie Informationen zu Gang und Ausdruck und Sprache und biologische Proben usw.
Aufdeckung der Gang-, Ausdrucks- und Sprachveränderungen bei Patienten mit AD und MCI und Überprüfung ihrer diagnostischen Wirksamkeit.
Für multimodale medizinische Informationen zum Gang wurde das OpenPose-Modell verwendet, um menschliche Schlüsselpunkte zu extrahieren und ein Strukturdiagramm des menschlichen Skeletts zu erstellen. Basierend auf graphischen neuronalen Netzen und Faltungs-Neuronalen Netzen wird eine sofortige Aktionsanalyse von Einzelbildbildern durchgeführt. Anschließend wird unter Verwendung des Transformer-Modells eine Gangsequenzanalyse durch Integration von Multi-Frame-Videos durchgeführt. Für multimodale medizinische Informationen zum Gesichtsausdruck wird der Dlib-Algorithmus verwendet, um Gesichtsschlüsselpunkte zu extrahieren, kombiniert mit Gesichtsausdrucksbildern und dem raumzeitlichen Transformer Das Modell wird für die Analyse des Gesichtsausdrucks verwendet. Für multimodale medizinische Informationen zur Sprache wird das ASRT-Modell zur Spracherkennung und Textinhaltsextraktion verwendet. Gleichzeitig werden die Frequenzbereichs-Fourier-Transformation und die Wavelet-Transformation angewendet, um Frequenzbereichsinformationen zu extrahieren und die Sprachmerkmale durch Integration von Sprachinhalt, Stimmintonation, Sprachgeschwindigkeit und anderen Informationen zu analysieren. Basierend auf dem Aufmerksamkeitsmodell werden die Gang-, Ausdrucks- und Sprachanalyseergebnisse von AD und MCI mit denen der Kontrollgruppe verglichen, um die Merkmale von AD und MCI aufzudecken und Beweise für die Krankheitsdiagnose zu liefern.
- Analyse der unterschiedlichen Abhängigkeitsgrade von multimodalen Informationen bei der Diagnose von AD- und MCI-Erkrankungen und Festlegung einer optimalen Diagnosestrategie. Im überwachten Lernprozess wird die auf Aufmerksamkeitsmechanismen basierende Methode verwendet, um den Einfluss multimodaler Informationen auf die Endergebnisse zu analysieren . Gleichzeitig würden basierend auf der Wissenskarte die biochemischen Blutindikatoren des Patienten, genomische Informationen und andere Wissensgebiete zum Modell hinzugefügt. Basierend auf der Bayes'schen Wahrscheinlichkeitsinferenz und der Kausalinferenztheorie wird die Methode der Kausalprogrammierung verwendet, um die kausale Analyse von Informationen und Diagnoseergebnissen verschiedener Modi zu modellieren. Basierend auf der AutoML-Methode werden multimodale Informationen kombiniert und optimiert und anhand experimenteller Ergebnisse eine zuverlässige optimale Diagnosestrategie erstellt.
- Erforschung der Veränderungen multimodaler medizinischer Informationen mit dem Fortschreiten der Krankheit und Aufbau eines Vorhersagemodells für die Frühdiagnose und den Krankheitsverlauf von AD.
Indem multimodale medizinische Informationen als Kontrollbedingung betrachtet werden, wird das Transformer-Modell zur Modellierung von Zeitsequenzinformationen verwendet, und das bedingte Diffusionsmodell wird verwendet, um MRT-Bildänderungen von Patienten und andere Informationen zum Krankheitsverlauf zu generieren und so die Grundlage für den Krankheitsverlauf zu schaffen Vorhersage. Basierend auf der Technologie großer multimodaler Modelle wird die Ausgabe des Modells unter Bezugnahme auf die Beurteilung und Beschreibung professioneller Ärzte beeinflusst und angepasst, um die Vorhersage im Einklang mit der Beurteilung professioneller Ärzte zu generieren und schließlich die interpretierbare Frühdiagnose zu erstellen Modell zur Vorhersage des Krankheitsverlaufs.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Huayan Liu, PhD.
- Telefonnummer: +86 13609831417
- E-Mail: liuhy@cmu1h.com
Studieren Sie die Kontaktsicherung
- Name: Boru Jin, PhD.
- Telefonnummer: +86 13614031943
- E-Mail: jin_boru@163.com
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- . Das Alter der Teilnehmer liegt zwischen 50 und 85 Jahren, männlich oder weiblich;
- . Die Teilnehmer schlossen die Grundschule oder höher ab, hatten normales Gehör, Sehvermögen und Aussprache und verwendeten Chinesisch als Muttersprache und Mandarin als Alltagssprache.
- . Die Diagnose von AD- und MCI-Teilnehmern entspricht den entsprechenden oben genannten Diagnosekriterien;
- . Die MMSE-Werte liegen zwischen 10 und 28, die CDR-Werte liegen bei maximal 2.
- . Patienten oder Familienmitglieder erklären sich damit einverstanden, eine Einverständniserklärung zu unterzeichnen.
Ausschlusskriterien:
- . Die Teilnehmer leiden an neurologischen Störungen, die zu Funktionsstörungen des Gehirns führen können, wie Depressionen, Tumoren, Parkinson-Krankheit, metabolischer Enzephalopathie, Enzephalitis, Multipler Sklerose, Epilepsie, Hirntrauma, normalem Schädeldruckhydrozephalus usw.;
- . Die Teilnehmer leiden an systematischen Krankheiten, die zu kognitiven Beeinträchtigungen führen können, wie z. B. Leberinsuffizienz, Niereninsuffizienz, Schilddrüsenfunktionsstörung, schwerer Anämie, Folsäure- oder Vitamin-B12-Mangel, Syphilis, HIV-Infektion, Alkohol- und Drogenmissbrauch usw.;
- . Teilnehmer leiden an Krankheiten, die bei den Untersuchungen nicht mitwirken können;
- . Teilnehmer können keine Magnetresonanztomographie durchführen;
- . Die Teilnehmer leiden unter einer geistigen und neurologischen Entwicklungsverzögerung;
- . Die Teilnehmer weigern sich, eine Einverständniserklärung zu unterzeichnen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
Alzheimer-Erkrankung
Die Diagnose von AD erfolgt gemäß den Empfehlungen der Arbeitsgruppen des National Institute on Aging-Alzheimer's Association zu Diagnoserichtlinien für AD.
|
Die Videos des Gangs, des Gesichtsausdrucks und der Sprache der Teilnehmer werden aufgezeichnet und weiter analysiert.
Es werden auch andere routinemäßige diagnostische Tests durchgeführt, z. B. MRT-Bildgebung, kognitive Skalen usw.
Andere Namen:
|
Leichte kognitive Einschränkung
Die Diagnose von MCI bezieht sich auf die von Peterson im Jahr 2004 definierten Kriterien.
|
Die Videos des Gangs, des Gesichtsausdrucks und der Sprache der Teilnehmer werden aufgezeichnet und weiter analysiert.
Es werden auch andere routinemäßige diagnostische Tests durchgeführt, z. B. MRT-Bildgebung, kognitive Skalen usw.
Andere Namen:
|
Kontrolle
Teilnehmer, deren Alter mit AD- und MCI-Teilnehmern übereinstimmt, ohne kognitive Beeinträchtigung.
|
Die Videos des Gangs, des Gesichtsausdrucks und der Sprache der Teilnehmer werden aufgezeichnet und weiter analysiert.
Es werden auch andere routinemäßige diagnostische Tests durchgeführt, z. B. MRT-Bildgebung, kognitive Skalen usw.
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Die diagnostische Effizienz einer multimodalen Deep-Learning-Diagnosestrategie
Zeitfenster: Das Ergebnis wird gemessen und analysiert, sobald alle multimodalen medizinischen Basisinformationen gesammelt wurden.
|
Die Diagnoseeffizienz wird anhand der Fläche unter der Kurve (AUC) der Betriebskennlinie des Empfängers (ROC) gemessen.
|
Das Ergebnis wird gemessen und analysiert, sobald alle multimodalen medizinischen Basisinformationen gesammelt wurden.
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Die prognostische Effizienz der multimodalen Deep-Learning-Prognosestrategie
Zeitfenster: Das Ergebnis wird gemessen und analysiert, sobald alle multimodalen medizinischen Informationen der zweijährigen Nachuntersuchung gesammelt wurden.
|
Die prognostische Effizienz wird anhand der Fläche unter der Kurve (AUC) der Betriebscharakteristik des Empfängers (ROC) gemessen.
|
Das Ergebnis wird gemessen und analysiert, sobald alle multimodalen medizinischen Informationen der zweijährigen Nachuntersuchung gesammelt wurden.
|
Mitarbeiter und Ermittler
Ermittler
- Studienstuhl: Huayan Liu, the first affiliated hospital of China medical university, neurology department
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Wilson SM, Eriksson DK, Schneck SM, Lucanie JM. A quick aphasia battery for efficient, reliable, and multidimensional assessment of language function. PLoS One. 2018 Feb 9;13(2):e0192773. doi: 10.1371/journal.pone.0192773. eCollection 2018. Erratum In: PLoS One. 2018 Jun 15;13(6):e0199469.
- Scheltens P, De Strooper B, Kivipelto M, Holstege H, Chetelat G, Teunissen CE, Cummings J, van der Flier WM. Alzheimer's disease. Lancet. 2021 Apr 24;397(10284):1577-1590. doi: 10.1016/S0140-6736(20)32205-4. Epub 2021 Mar 2.
- 2023 Alzheimer's disease facts and figures. Alzheimers Dement. 2023 Apr;19(4):1598-1695. doi: 10.1002/alz.13016. Epub 2023 Mar 14.
- Knopman DS, Amieva H, Petersen RC, Chetelat G, Holtzman DM, Hyman BT, Nixon RA, Jones DT. Alzheimer disease. Nat Rev Dis Primers. 2021 May 13;7(1):33. doi: 10.1038/s41572-021-00269-y.
- Jia J, Wei C, Chen S, Li F, Tang Y, Qin W, Zhao L, Jin H, Xu H, Wang F, Zhou A, Zuo X, Wu L, Han Y, Han Y, Huang L, Wang Q, Li D, Chu C, Shi L, Gong M, Du Y, Zhang J, Zhang J, Zhou C, Lv J, Lv Y, Xie H, Ji Y, Li F, Yu E, Luo B, Wang Y, Yang S, Qu Q, Guo Q, Liang F, Zhang J, Tan L, Shen L, Zhang K, Zhang J, Peng D, Tang M, Lv P, Fang B, Chu L, Jia L, Gauthier S. The cost of Alzheimer's disease in China and re-estimation of costs worldwide. Alzheimers Dement. 2018 Apr;14(4):483-491. doi: 10.1016/j.jalz.2017.12.006. Epub 2018 Feb 9.
- Wilson J, Allcock L, Mc Ardle R, Taylor JP, Rochester L. The neural correlates of discrete gait characteristics in ageing: A structured review. Neurosci Biobehav Rev. 2019 May;100:344-369. doi: 10.1016/j.neubiorev.2018.12.017. Epub 2018 Dec 13.
- Beauchet O, Launay CP, Annweiler C, Allali G. Hippocampal volume, early cognitive decline and gait variability: which association? Exp Gerontol. 2015 Jan;61:98-104. doi: 10.1016/j.exger.2014.11.002. Epub 2014 Nov 6.
- Ceresetti R, Rouch I, Laurent B, Getenet JC, Pommier M, de Chalvron S, Chainay H, Borg C. Processing of Facial Expressions of Emotions and Pain in Alzheimer's Disease. J Alzheimers Dis. 2022;89(1):389-398. doi: 10.3233/JAD-220236.
- Klein-Koerkamp Y, Beaudoin M, Baciu M, Hot P. Emotional decoding abilities in Alzheimer's disease: a meta-analysis. J Alzheimers Dis. 2012;32(1):109-25. doi: 10.3233/JAD-2012-120553.
- Rosen HJ, Wilson MR, Schauer GF, Allison S, Gorno-Tempini ML, Pace-Savitsky C, Kramer JH, Levenson RW, Weiner M, Miller BL. Neuroanatomical correlates of impaired recognition of emotion in dementia. Neuropsychologia. 2006;44(3):365-73. doi: 10.1016/j.neuropsychologia.2005.06.012. Epub 2005 Sep 9.
- Adolphs R, Tranel D. Impaired judgments of sadness but not happiness following bilateral amygdala damage. J Cogn Neurosci. 2004 Apr;16(3):453-62. doi: 10.1162/089892904322926782.
- Yamaguchi T, Maki Y, Yamaguchi H. Yamaguchi Facial Expression-Making Task in Alzheimer's Disease: A Novel and Enjoyable Make-a-Face Game. Dement Geriatr Cogn Dis Extra. 2012 Jan;2(1):248-57. doi: 10.1159/000339425. Epub 2012 Jun 20.
- Eyigoz E, Mathur S, Santamaria M, Cecchi G, Naylor M. Linguistic markers predict onset of Alzheimer's disease. EClinicalMedicine. 2020 Oct 22;28:100583. doi: 10.1016/j.eclinm.2020.100583. eCollection 2020 Nov.
- Ahmed S, Haigh AM, de Jager CA, Garrard P. Connected speech as a marker of disease progression in autopsy-proven Alzheimer's disease. Brain. 2013 Dec;136(Pt 12):3727-37. doi: 10.1093/brain/awt269. Epub 2013 Oct 18.
- Pakhomov SV, Hemmy LS. A computational linguistic measure of clustering behavior on semantic verbal fluency task predicts risk of future dementia in the nun study. Cortex. 2014 Jun;55:97-106. doi: 10.1016/j.cortex.2013.05.009. Epub 2013 Jun 14.
- Green S, Reivonen S, Rutter LM, Nouzova E, Duncan N, Clarke C, MacLullich AMJ, Tieges Z. Investigating speech and language impairments in delirium: A preliminary case-control study. PLoS One. 2018 Nov 26;13(11):e0207527. doi: 10.1371/journal.pone.0207527. eCollection 2018.
- Chen X, Wang X, Zhang K, Fung KM, Thai TC, Moore K, Mannel RS, Liu H, Zheng B, Qiu Y. Recent advances and clinical applications of deep learning in medical image analysis. Med Image Anal. 2022 Jul;79:102444. doi: 10.1016/j.media.2022.102444. Epub 2022 Apr 4.
- Jiang Y, Yang M, Wang S, Li X, Sun Y. Emerging role of deep learning-based artificial intelligence in tumor pathology. Cancer Commun (Lond). 2020 Apr;40(4):154-166. doi: 10.1002/cac2.12012. Epub 2020 Apr 11.
- Hu X, Fernie AR, Yan J. Deep learning in regulatory genomics: from identification to design. Curr Opin Biotechnol. 2023 Feb;79:102887. doi: 10.1016/j.copbio.2022.102887. Epub 2023 Jan 12.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- LHuayan
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
IPD-Sharing-Zeitrahmen
IPD-Sharing-Zugriffskriterien
Art der unterstützenden IPD-Freigabeinformationen
- STUDIENPROTOKOLL
- SAFT
- ICF
- CSR
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 Gangvideo; Sprachvideo; Gesichtsausdruckvideo;
-
Northwestern UniversityStanford UniversityAktiv, nicht rekrutierend
-
Massachusetts General HospitalFoundation for Informed Medical Decision MakingAbgeschlossenDemenzVereinigte Staaten
-
York UniversityAbgeschlossen
-
Northwestern UniversityAbgeschlossenAutismus-Spektrum-Störung | AutismusVereinigte Staaten
-
Ann & Robert H Lurie Children's Hospital of ChicagoRekrutierungKritische Krankheit | Pädiatrie | ZustimmungVereinigte Staaten
-
Henry Ford Health SystemAbgeschlossenSelbst durchgeführte HanduntersuchungVereinigte Staaten
-
Michigan Technological UniversityAbgeschlossenWissen, Einstellungen, PraxisVereinigte Staaten
-
University of MiamiNational Center of Neuromodulation for RehabilitationRekrutierungNeuropathischer SchmerzVereinigte Staaten
-
Royal Devon and Exeter NHS Foundation TrustAbgeschlossenPatientenaufklärung
-
University of North Carolina, Chapel HillLondon School of Hygiene and Tropical Medicine; Shandong University; National... und andere MitarbeiterAbgeschlossenSexuell übertragbare Krankheiten | Menschlicher ImmunschwächevirusChina