Una nueva técnica para el tratamiento de enfermedades de la retina
18 de enero de 2021 actualizado por: Second Affiliated Hospital, School of Medicine, Zhejiang University
Investigación de Diagnóstico Inteligente y Seguimiento Automático de Lesiones para el Tratamiento Preciso de Enfermedades Retinianas Basado en Aprendizaje Profundo
Con el advenimiento de la era de la medicina de precisión, basado en el aprendizaje profundo de la imagen FFA para identificar el área de las lesiones del fondo del ojo, el registro de las imágenes del fondo del ojo, de acuerdo con la gravedad de las enfermedades del fondo del ojo para diseñar la energía y la trayectoria óptimas del láser, el tratamiento preciso del fondo del ojo enfermedades tiene necesidades clínicas urgentes y un significado muy importante
Descripción general del estudio
Estado
Estado
Reclutamiento
Condiciones
Condiciones
Descripción detallada
- Base de datos de imágenes DR estructurada Construcción y anotación precisa: retrospectiva (desde el 1 de enero de 2016 hasta el día de la revisión ética) y prospectiva (desde el día de la revisión ética hasta el 31 de diciembre de 2023) recopilada FFA y otros datos de imágenes multimodales. Varios oftalmólogos y expertos senior en enfermedades del fondo de ojo realizaron una evaluación diagnóstica de cada imagen de cada paciente y completaron el diagnóstico de clasificación preciso de los datos. Finalmente, se estableció paso a paso una base de datos estructurada de Dr. Este documento utiliza la teoría de la visión por computadora para cuantificar la distorsión de calidad de la imagen FFA, guía a la computadora para configurar los algoritmos de mejora de imagen y reducción de ruido existentes de manera adaptativa, y completa el preprocesamiento de los datos de imagen de fondo de ojo.
- Construcción del sistema de diagnóstico de clasificación inteligente Dr basado en la imagen del fondo de ojo: en primer lugar, la imagen del fondo de ojo se utiliza como base de datos de entrenamiento de datos del fondo de ojo y, de acuerdo con el estándar clínico internacional de diagnóstico de clasificación Dr, muchos médicos marcan la imagen del fondo de ojo con precisión. Criterios clínicos internacionales de clasificación de doctores: grado 0, sin anomalías retinianas evidentes; grado 1, solo microangioma; grado 2, más grave que el microangioma, pero menos grave que grave; grado 3, cuatro cuadrantes, cada cuadrante tiene más de 20 hemorragias retinianas, más de dos cuadrantes tienen cuentas venosas definidas, más de un cuadrante tiene Irma obvia, sin signos de retinopatía proliferativa; grado 4, neovascularización, hemorragia vítrea Volumen sanguíneo, hemorragia prerretiniana. Sobre la base del estándar de diagnóstico inteligente de clasificación Dr, se construye una red neuronal de convolución para entrenar y clasificar imágenes de fondo de ojo. Después de repetir este proceso muchas veces para cada imagen del conjunto de imágenes de fondo de ojo de entrenamiento, el sistema de aprendizaje profundo aprende a clasificar todos los datos del conjunto de entrenamiento para diagnosticar con precisión las imágenes de fondo de ojo.
- Construcción de red neuronal de convolución para el área de enfoque de la imagen FFA: la red neuronal de convolución de aprendizaje profundo se compone de millones de parámetros, que se utilizan para entrenar y realizar tareas determinadas. La salida generada por cada operación de convolución lineal se regulariza mediante la función de activación no lineal, combinada con la reducción de la dimensionalidad de la capa de agrupación y la capa de conexión completa, de modo que el proceso de optimización de la red neuronal profunda no solo supera la dispersión del gradiente, sino que también ayuda a generar características. similar al mecanismo de percepción jerárquica de las células neuronales humanas a las señales visuales. La imagen FFA se utiliza como base de datos de entrenamiento de datos de fondo de ojo. Según el etiquetado preciso del área de la lesión (área sin perfusión, área de microangioma y área de fuga), la imagen FFA debe tratarse para el reconocimiento inteligente del área de la lesión. En el proceso de entrenamiento, los parámetros de la red neuronal se establecen inicialmente en valores aleatorios. Luego, para cada imagen, los resultados dados por la función se comparan con los resultados conocidos del conjunto de entrenamiento para optimizar los parámetros de la función. Después de repetir este proceso muchas veces para cada imagen del conjunto de datos de entrenamiento, el sistema de aprendizaje profundo aprendió a clasificar todos los datos del conjunto de entrenamiento para predecir con precisión las lesiones Dr en las imágenes FFA.
- Construcción de un modelo de navegación láser de fondo de ojo inteligente basado en la imagen FFA y el registro de la imagen de fondo de ojo: el sistema de reconocimiento inteligente de lesiones Dr en la imagen FFA anterior identifica con precisión las áreas que necesitan tratamiento con láser de fondo de ojo, ayuda a los médicos a determinar las lesiones que deben tratarse y en base en la coincidencia de imágenes del aprendizaje automático, proporciona la imagen de registro de la imagen del fondo de ojo y la combinación FFA, que se configura de acuerdo con la información de ubicación y tamaño del área de la lesión De acuerdo con el diámetro retiniano coincidente y la disposición de diferentes puntos láser, el láser personalizado se formula el esquema de tratamiento y se construye el modelo de guía de tratamiento con láser de fondo de ojo inteligente.
Tipo de estudio
Tipo de estudio
De observación
Inscripción (Anticipado)
Inscripción
2000
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Estudio Contacto
Estudio Contacto
- Nombre: Jin Kai, MD
- Número de teléfono: 13646828461
- Correo electrónico: jinkai@zju.edu.cn
Ubicaciones de estudio
-
-
Zhejiang
-
Hanzhou, Zhejiang, Porcelana
- Reclutamiento
- The Second Affiliated Hospital of Zhejiang University
-
Contacto:
- Jin Kai, MD
- Número de teléfono: 13646828461
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Sí
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra de probabilidad
Población de estudio
Los pacientes se someten a un examen de la retina en el centro oftalmológico del Segundo Hospital Afiliado de la Universidad de Zhejiang
Descripción
Criterios de inclusión:
- pacientes con enfermedades de la retina
Criterio de exclusión:
- los pacientes con otras enfermedades afectan el examen de la retina
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Número de grupos/cohortes
1
Cohortes e Intervenciones
Grupo / CohorteGrupo / Cohorte |
|---|
|
pacientes
pacientes con enfermedades de la retina
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
inteligencia artificial
Periodo de tiempo: 2016.01-2023.12
|
uso de datos para desarrollar modelos de aprendizaje profundo
|
2016.01-2023.12
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Patrocinador
Investigadores
Investigadores
- Investigador principal: Jin Kai, MD, Zhejiang University
- Investigador principal: Xu Yufeng, MD, Zhejiang University
- Investigador principal: Lou Lixia, MD, Zhejiang University
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
Inicio del estudio
1 de enero de 2016
Finalización primaria (Anticipado)
Finalización primaria
1 de enero de 2023
Finalización del estudio (Anticipado)
Finalización del estudio
31 de diciembre de 2023
Fechas de registro del estudio
Enviado por primera vez
Enviado por primera vez
18 de enero de 2021
Primero enviado que cumplió con los criterios de control de calidad
Primero enviado que cumplió con los criterios de control de calidad
18 de enero de 2021
Publicado por primera vez (Actual)
Publicado por primera vez
22 de enero de 2021
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización publicada
22 de enero de 2021
Última actualización enviada que cumplió con los criterios de control de calidad
Última actualización enviada que cumplió con los criterios de control de calidad
18 de enero de 2021
Última verificación
Última verificación
1 de enero de 2021
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
Otros números de identificación del estudio
- 研2019-428
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .