Realistisch bei der Erzeugung von HEp-2-Zellbildern mithilfe latenter Diffusionsmodelle: ein multizentrischer visueller Turing-Test
Bewertung des Realismus von ANA HEp-2-Zellbildern, die mithilfe latenter Diffusionsmodelle synthetisiert wurden: Ein multizentrischer visueller Turing-Test
Das Ziel dieser prospektiven Beobachtungsstudie besteht darin, die Machbarkeit und Wirksamkeit der Verwendung latenter Diffusionsmodelle zur Datenerweiterung in Hep-2-Zell-Immunfluoreszenzbildern mit antinukleären Antikörpern (ANA) eingehend zu untersuchen. Die Hauptfrage, die beantwortet werden soll, lautet:
Kann die Anwendung solcher Modelle möglicherweise die Datenqualität verbessern, die Probenvielfalt erhöhen oder die Genauigkeit und Effizienz nachfolgender Analyseprozesse (wie Krankheitsdiagnose und -klassifizierung) verbessern, wenn sie mit ANA-bezogenen Bildern verwendet werden?
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Ein grundlegendes Problem in der biomedizinischen Forschung ist die geringe Anzahl verfügbarer Beobachtungen, die meist auf einen Mangel an verfügbaren Bioproben, unerschwingliche Kosten oder ethische Gründe zurückzuführen ist. Die Ergänzung einiger realer Beobachtungen durch in silico generierte Proben könnte zu robusteren Analyseergebnissen und einer höheren Reproduzierbarkeitsrate führen. Hier schlagen die Forscher vor, unüberwachtes Lernen mit latenten Diffusionsmodellen für die realistische Erzeugung von ANA-IIF-Bilddaten zu verwenden.
Die Forscher gehen davon aus, dass die Erstellung von ANA-IIF-Bildern realistisch sein wird, wenn es schwierig ist, sie (gefälscht) von echt (wahr) zu unterscheiden. Um diese Hypothese zu testen, präsentieren die Forscher einen multizentrischen visuellen Turing-Test (https://turing.rednoble.net/), um die Qualität der erzeugten (gefälschten) Bilder zu bewerten.
Dieser Versuchsaufbau ermöglicht es den Forschern, die Gesamtqualität der generierten ANA-IIF-Bilder zu validieren, die dann verwendet werden können, um (1) Zytopathologen für Bildungszwecke auszubilden und (2) realistische Proben zu generieren, um tiefe Netzwerke mit Big Data zu trainieren.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, China, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Stammt von renommierten medizinischen Einrichtungen
- Besitz relevanter Zertifizierungen und Qualifikationen
- Verfügt über mehr als ein Jahr Erfahrung in der Interpretation von Mustern antinukleärer Antikörper (ANA) im Labor
Ausschlusskriterien:
- Es fehlen relevante berufliche Zertifizierungen und Qualifikationen
- Ohne Erfahrung in der Interpretation von ANA-Mustern
- Ich bin nicht bereit, die Regeln und die informierte Zustimmung des visuellen Turing-Tests zu akzeptieren
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Experten
mit über 20 Jahren Erfahrung im ANA-IIF-Lesen
|
Bestimmen des ANA-Mustertyps mit oder ohne Bezugnahme auf die Ergebnisse der KI-Modellausgabe.
|
|
Junior-Zytopathologen
weniger als 5 Jahre akademische medizinische Erfahrung
|
Bestimmen des ANA-Mustertyps mit oder ohne Bezugnahme auf die Ergebnisse der KI-Modellausgabe.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Realitätsnähe von Bildern, die durch Diffusionsmodelle synthetisiert werden
Zeitfenster: Grundlinie
|
Die Forscher führten eine Studie mit der visuellen Turing-Testmethode durch, maßen anhand eines Fragebogenformats und bewerteten die Messergebnisse mithilfe einer 5-Punkte-Likert-Skala. Die 5-Punkte-Likert-Skala bewertet die Meinung der Teilnehmer zur Qualität von Bildern anhand von fünf Antwortoptionen: „Echt“, „Ähnlich“, „Unsicher“, „Nicht ganz ähnlich“, „Gefälscht“. Es berechnet die Punkte, indem es diesen Optionen Zahlen zuordnet (z. B. 5 zu 1) und die Punkte für jeden Teilnehmer zusammenfasst. Die Ergebnisse werden ausgewertet, indem die Verteilung der Werte, einschließlich der Durchschnittswerte, analysiert und ihre Zuverlässigkeit und Gültigkeit bewertet wird. Darüber hinaus berechnete der Forscher eine Reihe von Parametern, die für die Bewertung des internen Modells verwendet wurden, darunter Präzision, Rückruf, F1-Score und mittlere durchschnittliche Präzision (mAP). |
Grundlinie
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Auswirkungen der Ergebnisse des KI-Modells auf die Teilnehmer
Zeitfenster: Grundlinie
|
Der Forscher bewertete die Änderung der Genauigkeitsrate der Interpretationen der Teilnehmer vor und nach der Unterstützung durch ein KI-Modell. Die Forscher werden eine vergleichende Analyse durchführen.
Darüber hinaus berechnet der Forscher den Kappa-Übereinstimmungskoeffizienten zwischen menschlichen Interpretationen und dem Modell und bewertet, ob es Unterschiede in der Genauigkeit zwischen Zytopathologen mit unterschiedlichem Erfahrungsniveau gibt, wenn sie von KI unterstützt werden.
|
Grundlinie
|
|
Die Zeit, die für die Interpretation des ANA-Musters benötigt wird
Zeitfenster: Grundlinie
|
Der Prüfer vergleicht die Zeit, die der Teilnehmer benötigt, um die Interpretationen vor und nach der Intervention des KI-Modells abzuschließen, und beurteilt, ob sich die durchschnittliche Interpretationszeit pro Fall verkürzt, von X Minuten vor der KI-Unterstützung auf Y Minuten nach der KI.
|
Grundlinie
|
Mitarbeiter und Ermittler
Ermittler
- Studienleiter: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Nützliche Links
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
- XH-24-007
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 .