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

Multimodales Deep Learning zur Diagnose und Beurteilung der Alzheimer-Krankheit

7. Oktober 2023 aktualisiert von: Liu Huayan, First Hospital of China Medical University

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

Noch keine Rekrutierung

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:

  1. 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.

  2. 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.

  3. 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.
  4. 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

Beobachtungs

Einschreibung (Geschätzt)

300

Kontakte und Standorte

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

Studienkontakt

  • Name: Huayan Liu, PhD.
  • Telefonnummer: +86 13609831417
  • E-Mail: liuhy@cmu1h.com

Studieren Sie die Kontaktsicherung

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Wir planen, 100 AD-, 100 MCI- und 100 Kontrollteilnehmer einzubeziehen. Bei diesen Teilnehmern handelt es sich um diejenigen, die unser Krankenhaus vom 1. Oktober 2023 bis 1. März 2024 besuchen.

Beschreibung

Einschlusskriterien:

  1. . Das Alter der Teilnehmer liegt zwischen 50 und 85 Jahren, männlich oder weiblich;
  2. . Die Teilnehmer schlossen die Grundschule oder höher ab, hatten normales Gehör, Sehvermögen und Aussprache und verwendeten Chinesisch als Muttersprache und Mandarin als Alltagssprache.
  3. . Die Diagnose von AD- und MCI-Teilnehmern entspricht den entsprechenden oben genannten Diagnosekriterien;
  4. . Die MMSE-Werte liegen zwischen 10 und 28, die CDR-Werte liegen bei maximal 2.
  5. . Patienten oder Familienmitglieder erklären sich damit einverstanden, eine Einverständniserklärung zu unterzeichnen.

Ausschlusskriterien:

  1. . 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.;
  2. . 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.;
  3. . Teilnehmer leiden an Krankheiten, die bei den Untersuchungen nicht mitwirken können;
  4. . Teilnehmer können keine Magnetresonanztomographie durchführen;
  5. . Die Teilnehmer leiden unter einer geistigen und neurologischen Entwicklungsverzögerung;
  6. . Die Teilnehmer weigern sich, eine Einverständniserklärung zu unterzeichnen.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

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.
Diagnosetest: Gangvideo; Sprachvideo; Gesichtsausdruckvideo;
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:
  • Andere routinemäßige diagnostische Tests wie Bildgebung, kognitive Skalen usw.
Leichte kognitive Einschränkung
Die Diagnose von MCI bezieht sich auf die von Peterson im Jahr 2004 definierten Kriterien.
Diagnosetest: Gangvideo; Sprachvideo; Gesichtsausdruckvideo;
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:
  • Andere routinemäßige diagnostische Tests wie Bildgebung, kognitive Skalen usw.
Kontrolle
Teilnehmer, deren Alter mit AD- und MCI-Teilnehmern übereinstimmt, ohne kognitive Beeinträchtigung.
Diagnosetest: Gangvideo; Sprachvideo; Gesichtsausdruckvideo;
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:
  • Andere routinemäßige diagnostische Tests wie Bildgebung, kognitive Skalen usw.

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

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

Sponsor

First Hospital of China Medical University

Ermittler

  • Studienstuhl: Huayan Liu, the first affiliated hospital of China medical university, neurology department

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

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 (Geschätzt)

15. Oktober 2023

Primärer Abschluss (Geschätzt)

15. Oktober 2024

Studienabschluss (Geschätzt)

15. Oktober 2026

Studienanmeldedaten

Zuerst eingereicht

7. Oktober 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

7. Oktober 2023

Zuerst gepostet (Tatsächlich)

13. Oktober 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

13. Oktober 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

7. Oktober 2023

Zuletzt verifiziert

1. Oktober 2023

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?

JA

Beschreibung des IPD-Plans

Es ist geplant, IPD und zugehörige Datenwörterbücher verfügbar zu machen.

IPD-Sharing-Zeitrahmen

Beginn 12 Monate nach Veröffentlichung

IPD-Sharing-Zugriffskriterien

Das IPD und alle zusätzlichen unterstützenden Informationen werden mit den Forschern geteilt, die unserer Idee und Theorie folgen und Bedenken hinsichtlich der AD- und MCI-Diagnose haben. Huayan Liu wird die Anfragen prüfen.

Art der unterstützenden IPD-Freigabeinformationen

  • STUDIENPROTOKOLL
  • SAFT
  • ICF
  • CSR

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 .

Klinische Studien zur Gangvideo; Sprachvideo; Gesichtsausdruckvideo;

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Armenia

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren