- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06321614
Deep Learning bei der Klassifizierung von Röntgenaufnahmen von Darmverschluss
Selbstüberwachtes Lernen zur Klassifizierung von Darmverschluss in der Röntgenaufnahme des aufrechten Abdomens
Hintergrund: Die genaue Kennzeichnung der Obstruktionsstelle auf einer Röntgenaufnahme des aufrechten Abdomens ist eine anspruchsvolle Aufgabe. Der Mangel an Ground Truth führt zu einer schlechten Leistung bei überwachten Lernmodellen. Um dieses Problem anzugehen, wird selbstüberwachtes Lernen (SSL) vorgeschlagen, um anhand einiger bestätigter Proben normale Röntgenaufnahmen, Dünndarmobstruktionen (SBO) und Dickdarmobstruktionen (LBO) zu klassifizieren.
Methoden: Einige bestätigte und eine große Anzahl unbeschrifteter Röntgenaufnahmen wurden auf Basis der Grundwahrheit kategorisiert. Das SSL-Modell wurde zunächst anhand der unbeschrifteten Röntgenbilder trainiert und dann anhand der bestätigten Röntgenbilder feinabgestimmt. ResNet50 und VGG16 wurden für die eingebetteten Basis-Encoder verwendet, deren Gewichte und Parameter während des Trainingsprozesses angepasst wurden. Darüber hinaus wurde es an einem unabhängigen Datensatz getestet und mit überwachten Lernmodellen und menschlichen Dolmetschern verglichen. Schließlich wurden t-SNE und Grad-CAM verwendet, um die Interpretation des Modells zu visualisieren.
Studienübersicht
Status
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
Jiangsu
-
Suzhou, Jiangsu, China, 215006
- TheFirst Affiliated Hospital of Soochow University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Das Bildgebungssystem des Krankenhauses suchte zwischen 2022 und 2024 nach einfachen Standbildern des Abdomens, bei denen eine Darmobstruktion oder ein normaler Zustand diagnostiziert wurde
- Im Alter von 18 bis 80 Jahren
- Die Hauptbeschwerde waren Magen-Darm-Beschwerden
Ausschlusskriterien:
- Bildstörungen, unscharfe Leistung, schwer zu unterscheiden
- Die Hauptbeschwerde waren nicht-gastrointestinale Symptome
- Röntgenaufnahme in Rückenlage, Bauchlage oder Seitendekubitus
- Paralytische Obstruktion, Closed-Loop-Obstruktion usw
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Patienten mit normalen Röntgenaufnahmen des Abdomens
Patienten mit normalen Röntgenaufnahmen des Abdomens, die durch zusätzliche bildgebende Untersuchungen und klinische Daten bestätigt wurden.
Die bildgebenden Untersuchungen umfassten CT, Magnetresonanztomographie (MRT) und Koloskopie in den darauffolgenden 72 Stunden, während die klinischen Daten Informationen über aktuelle Krankenhauseinweisungen und Notizen zu chirurgischen Eingriffen umfassten.
|
|
Röntgenaufnahmen von Patienten mit Dünndarmverschluss
Patienten mit Dünndarmverschluss-Röntgenaufnahmen, die durch zusätzliche bildgebende Untersuchungen und klinische Daten bestätigt wurden.
Die bildgebenden Untersuchungen umfassten CT, Magnetresonanztomographie (MRT) und Koloskopie in den darauffolgenden 72 Stunden, während die klinischen Daten Informationen über aktuelle Krankenhauseinweisungen und Notizen zu chirurgischen Eingriffen umfassten.
Lokalisiert betrifft die Dünndarmobstruktion (SBO) den Zwölffingerdarm, das Jejunum und das Ileum
|
|
Patienten mit Dickdarmverschluss-Röntgenaufnahmen
Patienten mit Dickdarmverschluss-Röntgenaufnahmen, die durch zusätzliche bildgebende Untersuchungen und klinische Daten bestätigt wurden.
Die bildgebenden Untersuchungen umfassten CT, Magnetresonanztomographie (MRT) und Koloskopie in den darauffolgenden 72 Stunden, während die klinischen Daten Informationen über aktuelle Krankenhauseinweisungen und Notizen zu chirurgischen Eingriffen umfassten.
Lokalisiert betrifft die Dickdarmobstruktion (SBO) den Blinddarm, den Dickdarm und das Rektum.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnose- und Klassifizierungsleistung
Zeitfenster: 1 Woche
|
Genauigkeit, Rückruf, Präzision, F1-Score und Verwirrungsmatrix
|
1 Woche
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Visualisierte Interpretation des selbstüberwachten Modells
Zeitfenster: 1 Woche
|
Grad-CAM und t-SNE zur Visualisierung der Interpretation des SSL-Modells
|
1 Woche
|
Mitarbeiter und Ermittler
Ermittler
- Studienleiter: Rui Li, MD, The First Affiliated Hospital of Soochow University
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Markogiannakis H, Messaris E, Dardamanis D, Pararas N, Tzertzemelis D, Giannopoulos P, Larentzakis A, Lagoudianakis E, Manouras A, Bramis I. Acute mechanical bowel obstruction: clinical presentation, etiology, management and outcome. World J Gastroenterol. 2007 Jan 21;13(3):432-7. doi: 10.3748/wjg.v13.i3.432.
- Cheng PM, Tran KN, Whang G, Tejura TK. Refining Convolutional Neural Network Detection of Small-Bowel Obstruction in Conventional Radiography. AJR Am J Roentgenol. 2019 Feb;212(2):342-350. doi: 10.2214/AJR.18.20362. Epub 2018 Nov 26.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Frager D. Intestinal obstruction role of CT. Gastroenterol Clin North Am. 2002 Sep;31(3):777-99. doi: 10.1016/s0889-8553(02)00026-2.
- Cappell MS, Batke M. Mechanical obstruction of the small bowel and colon. Med Clin North Am. 2008 May;92(3):575-97, viii. doi: 10.1016/j.mcna.2008.01.003.
- ten Broek RP, Strik C, Issa Y, Bleichrodt RP, van Goor H. Adhesiolysis-related morbidity in abdominal surgery. Ann Surg. 2013 Jul;258(1):98-106. doi: 10.1097/SLA.0b013e31826f4969.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Chen Y, Mancini M, Zhu X, Akata Z. Semi-Supervised and Unsupervised Deep Visual Learning: A Survey. IEEE Trans Pattern Anal Mach Intell. 2024 Mar;46(3):1327-1347. doi: 10.1109/TPAMI.2022.3201576. Epub 2024 Feb 6.
- Li G, Togo R, Ogawa T, Haseyama M. Self-supervised learning for gastritis detection with gastric X-ray images. Int J Comput Assist Radiol Surg. 2023 Oct;18(10):1841-1848. doi: 10.1007/s11548-023-02891-5. Epub 2023 Apr 11.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
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
- 2022098
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
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 .