Deep Learning-unterstützte Ultraschalldiagnose und Lokalisierung einer Hodennabentorsion
Deep-Learning-unterstützte Ultraschalldiagnose und Lokalisierung der Hodentorsion des Appendix testis: Eine multizentrische retrospektive Validierungsstudie
Ultraschalldaten wurden retrospektiv vom primären Zentrum und sechs weiteren Subzentren gesammelt. Kombiniert mit klinischen Diagnoseergebnissen wurde die Datenkennzeichnung von Ärzten mit umfangreicher klinischer Erfahrung abgeschlossen.
In dieser Studie wurde YOLOv11 als Erkennungsnetzwerk eingesetzt, das mit dem konvolutionellen Aufmerksamkeitsmechanismus (Spatial Convolutional Block Attention Module, d. h. Spatial CBAM) und dem Selbstaufmerksamkeitsmechanismus (z. B. Attention Convolution Mixer, ACMix) integriert wurde. Der Datensatz vom primären Zentrum wurde in Trainings-, Validierungs- und Testuntergruppen aufgeteilt, auf denen das Modell jeweils trainiert, validiert und getestet wurde; eine zusätzliche Validierung wurde am Datensatz vom Subzentrum durchgeführt. Inzwischen wurden vier Ärzte beauftragt, die Ultraschalldaten der Subzentren mit zwei Diagnosemethoden zu interpretieren – unabhängige Diagnose und künstliche Intelligenz (KI)-unterstützte Diagnose – und die diagnostische Genauigkeit dieser beiden Ansätze wurde weiter verglichen. Durch Sammeln und Erlernen der Behandlungsmethoden von Patienten im Trainingsdatensatz des primären Zentrums, Vorhersagen der Behandlungsmethoden von Patienten im Subzentrumsdatensatz und Vergleichen des von KI vorhergesagten Anteils an Operationen mit dem tatsächlichen Anteil an Operationen wurde die Wirksamkeit des Modells verifiziert.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Ultraschall-Daten wurden retrospektiv vom primären Zentrum und sechs weiteren Unterzentren gesammelt. In Kombination mit klinischen Diagnoseergebnissen wurde die Datenkennzeichnung von Ärzten mit umfangreicher klinischer Erfahrung abgeschlossen.
In dieser Studie wurde YOLOv11 als Erkennungsnetzwerk verwendet, das mit dem konvolutionalen Aufmerksamkeitsmechanismus (Spatial Convolutional Block Attention Module, also Spatial CBAM) und dem Selbstaufmerksamkeitsmechanismus (z. B. Attention Convolution Mixer, ACMix) integriert wurde. Der Datensatz vom primären Zentrum wurde in Trainings-, Validierungs- und Testuntergruppen aufgeteilt, auf denen das Modell jeweils trainiert, validiert und getestet wurde; zusätzliche Validierungen wurden am Datensatz der Unterzentren durchgeführt. Gleichzeitig wurden vier Ärzte beauftragt, die Ultraschall-Daten der Unterzentren mit zwei Diagnosemethoden – unabhängige Diagnose und künstliche Intelligenz (KI)-unterstützte Diagnose – zu interpretieren, und die diagnostische Genauigkeit dieser beiden Ansätze wurde weiter verglichen. Durch das Sammeln und Lernen der Behandlungsmethoden von Patienten im Trainingsdatensatz des primären Zentrums, das Vorhersagen der Behandlungsmethoden von Patienten im Datensatz der Unterzentren und den Vergleich des von der KI vorhergesagten Anteils an Operationen mit dem tatsächlichen Anteil an Operationen wurde die Wirksamkeit des Modells überprüft.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-Mail: Jiang_ying@zju.edu.cn
Studieren Sie die Kontaktsicherung
- Name: Juntao Jiang, Master Degree
- Telefonnummer: 86-13968107281
- E-Mail: juntaojiang@zju.edu.cn
Studienorte
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Kontakt:
- Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-Mail: Jiang_ying@zju.edu.cn
-
Kontakt:
- Jingjing Ye, PHD Degree
- Telefonnummer: 86-13868174280
-
Hauptermittler:
- Ying Jiang, Master Degree
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alter ≤ 18 Jahre
- Ultraschalluntersuchung aufgrund akuter Hodenschmerzen (≤ 24 Stunden)
- Patienten mit klinischer Diagnose einer Hodentorsion des Nebenhodenanhangs (TAT)
Ausschlusskriterien:
- Schlechte Ultraschallbildqualität (Fehler bei der Identifizierung von Hodengewebestrukturen)
- Unvollständige klinische Daten (Fehler bei der Bestätigung der Diagnose einer Hodentorsion des Nebenhodenanhangs [TAT])
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Torsionsgruppe des Appendix Testis
Patienten mit diagnostizierter Hodentorsion
|
|
Hodentorsionsgruppe
Patienten mit diagnostizierter Hodentorsion
|
|
Epididymitis-Gruppe
Patienten mit diagnostizierter Epididymitis
|
|
Normalgruppe
Patienten ohne Hodentorsion, Hodenverdrehung, Nebenhodenentzündung und mit normalem Skrotum
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Genauigkeit des Deep-Learning-Modells überprüft vier Bedingungen: Hodendarmfortsatz-Torsion; Hodenverdrehung; Nebenhodenentzündung und normaler Zustand
Zeitfenster: Von der Bildeingabe bis zur Ergebnisgenerierung wird eine Dauer von 24 Stunden erwartet
|
Genauigkeit des Deep-Learning-Modells überprüft vier Bedingungen: Hodenzusatzverdrehung; Hodenverdrehung; Nebenhodenentzündung und normaler Zustand
|
Von der Bildeingabe bis zur Ergebnisgenerierung wird eine Dauer von 24 Stunden erwartet
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Zeitfenster |
|---|---|
|
Anzahl der Teilnehmer mit akuten Hodenschmerzen
Zeitfenster: Von der Einschreibung bis zum Ende werden 5 Monate erwartet
|
Von der Einschreibung bis zum Ende werden 5 Monate erwartet
|
|
Die Genauigkeitsrate von Klinikern bei der Diagnose und Lokalisierung einer Hodensackanhangs-Torsion
Zeitfenster: Vom Beginn der Diagnose und Lokalisierung durch Kliniker bis zum Ende werden 15 Tage erwartet
|
Vom Beginn der Diagnose und Lokalisierung durch Kliniker bis zum Ende werden 15 Tage erwartet
|
|
Die Genauigkeitsrate des Deep-Learning-Modells bei der Vorhersage der Behandlungsmodalität für Hodenzipfeltorsion, konservative Behandlung oder Operation
Zeitfenster: Vom Beginn der Vorhersage der Behandlung für Hodentorsion durch ein Deep-Learning-Modell bis zum Ende werden voraussichtlich 24 Stunden erwartet.
|
Vom Beginn der Vorhersage der Behandlung für Hodentorsion durch ein Deep-Learning-Modell bis zum Ende werden voraussichtlich 24 Stunden erwartet.
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Studienleiter: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Geschätzt)
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
- CHZhejiangjiangying
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
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 Nebenhodenentzündung
-
Hillel Yaffe Medical CenterAbgeschlossen