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

Multimodales bildgebendes Diagnose- und Entscheidungshilfesystem für hepatische Echinokokkose basierend auf Bild-Omics und Vision-Makromodell

13. September 2024 aktualisiert von: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Hepatische Echinokokkose (hepatische Echinokokkose) ist eine wichtige zoonotische Krankheit, die in den landwirtschaftlichen und pastoralen Gebieten Nordwestchinas weit verbreitet ist. Die Krankheit kann in jedem Teil des menschlichen Körpers parasitär auftreten und mehrere Organe befallen. In schweren Fällen verlieren die Patienten ihre Arbeitsfähigkeit. Gegenwärtig steht die Krankheit vor Herausforderungen in Bezug auf die diagnostische Genauigkeit, die Identifizierung spezifischer Typen, die Beurteilung der präoperativen Aktivität, die Vorhersage eines postoperativen Wiederauftretens und die Entscheidungsbeurteilung der T-Rohr-Einkerbung. Dieses Problem ist besonders in Gebieten mit hoher Inzidenz von Bedeutung, in denen die medizinischen Ressourcen ungleichmäßig verteilt sind und es an hervorragenden Bildgebungsärzten und Klinikern mangelt. Unsere früheren Studien haben gezeigt, dass der Einsatz visueller Großmodelle und bildgebender Omics-Algorithmen Leber-Echinokokken-Läsionen effektiv segmentieren, Schlüsselmerkmale extrahieren und Ärzten genaue und zuverlässige Diagnose- und Behandlungsempfehlungen geben kann. Wir glauben, dass auf der Grundlage der Transformation verschiedener medizinischer Bildmodi (wie MRT, CT und Ultraschall) auf der Grundlage eines breiteren multizentrischen großen Datensatzes das Ziel einer effektiven Identifizierung, Diagnose, chirurgischen Entscheidungsunterstützung und postoperativen genauen Vorhersage von Lebererkrankungen erreicht werden kann Echinokokkose kann erreicht werden. Wir werden Technologielösungen der künstlichen Intelligenz wie Adversarial Generation Network, Vision Large Model, Image Omics und Decision Level Fusion nutzen und dabei Diagnose- und Behandlungseffizienz, Diagnose- und Behandlungsautomatisierung sowie Interpretierbarkeit der Diagnoseergebnisse berücksichtigen, um eine umfassende, genaue Diagnose und Prognose zu erstellen System für hepatische Echinokokkose

Studienübersicht

Detaillierte Beschreibung

  1. Automatische Erkennung/effiziente Diagnose von hepatischer Echinokokkose: Entwicklung eines Deep-Learning-basierten KI-Diagnosetools mit dem Ziel, die Unterscheidung von hepatischer Echinokokkose von anderen Lebererkrankungen wie Leberzysten, Leberabszessen und anderen raumfordernden hepatischen zystischen Läsionen zu verbessern. Das Tool wird generative gegnerische Netzwerke und polarisierte Selbstaufmerksamkeitsalgorithmen nutzen, um hepatische Echinokokkose effektiv zu identifizieren und zu klassifizieren, um die ungleichen medizinischen Ressourcen und den Mangel an professionellen Ärzten in der westlichen Region auszugleichen
  2. Differentialdiagnose spezifischer Arten der hepatischen Echinokokkose: Untersuchung des Einsatzes multimodaler Bildgebung in Kombination mit Deep-Learning-Methoden zur Unterscheidung von CL-Typ, CE1-Typ und Leberzyste der hepatischen Echinokokkose. Diese Forschung wird den medizinischen Bildsegmentierungsalgorithmus DINOv2 und die Deep-Learning-Technologie anwenden, um Fälle mit relativ ungleichmäßig verteilten und komplexen Daten genau zu identifizieren.
  3. Vorhersage des postoperativen Wiederauftretens einer hepatischen Echinokokkose: Transfer-Learning und Deep-SVDD-Algorithmus werden verwendet, um das Risiko eines postoperativen Wiederauftretens einer hepatischen Echinokokkose vorherzusagen, was eine wirksame Lösung für Datensätze mit unausgeglichener Stichprobengröße darstellt. Darüber hinaus wurde durch die Integration der Daten auf der medizinischen Big-Data-Plattform ein KI-basiertes postoperatives Rezidivvorhersagemodell etabliert

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

1000

Kontakte und Standorte

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

Studienorte

    • China/Guangdong
      • Guangzhou, China/Guangdong, China
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

In dieser Studie wurde auf der Grundlage der Bilddaten von Patienten mit Leberblase, die durch Pathologie nach der Operation bestätigt wurde, Deep-Learning-Technologie verwendet, um Leberblase von hepatischen zystischen Stationsläsionen wie Leberzysten und Leberabszessen zu unterscheiden

Beschreibung

Einschlusskriterien:

  1. Patienten mit vollständigen Originalbildern im DCIM-Format CT, Ultraschall und MRT
  2. Patienten mit Leberhydatiden, die nach der Operation durch eine Pathologie bestätigt wurden
  3. Patienten mit vollständiger Aufbewahrung klinischer Daten

Ausschlusskriterien:

  1. Patienten mit Bilddaten von schlechter Qualität
  2. Patienten mit unvollständigen klinischen Daten
  3. CE4- und CE5-Leberhydatidenpatienten, diagnostiziert durch alleinige Bildgebung ohne chirurgische Behandlung

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
Beobachtungsgruppe
Als Untersuchungsobjekt dienten in dieser Studie präoperative Bilddaten von Patienten mit Leberblase
Mithilfe der Deep-Learning-Technologie wurde ein künstliches neuronales Netzwerk zur automatischen Identifizierung von Leberflüssigkeiten aufgebaut
Kontrollgruppe
Leberzysten, Leberabszesse und normale Leber waren die Kontrollgruppe
Mithilfe der Deep-Learning-Technologie wurde ein künstliches neuronales Netzwerk zur automatischen Identifizierung von Leberflüssigkeiten aufgebaut

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Roc-Kurve
Zeitfenster: 2024.7-2026.3
Betriebskennlinie des Empfängers
2024.7-2026.3
AUC
Zeitfenster: 2024.7-2026.3
Fläche unter der ROC-Kurve
2024.7-2026.3
PPV
Zeitfenster: 2024.7-2026.3
Positiver Vorhersagewert
2024.7-2026.3
Kapitalwert
Zeitfenster: 2024.7-2026.3
Negativer Vorhersagewert
2024.7-2026.3

Mitarbeiter und Ermittler

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

Ermittler

  • Studienleiter: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

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.

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)

30. September 2023

Primärer Abschluss (Tatsächlich)

12. September 2024

Studienabschluss (Tatsächlich)

12. September 2024

Studienanmeldedaten

Zuerst eingereicht

2. August 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

2. August 2024

Zuerst gepostet (Tatsächlich)

6. August 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

19. September 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

13. September 2024

Zuletzt verifiziert

1. September 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Relevante medizinische Bilddaten stellen die Privatsphäre der Patienten dar und die Forschungsgruppe weigerte sich, sie weiterzugeben

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 .

Abonnieren