Red neuronal convolucional para la detección de mielomalacia cervical
Red neuronal convolucional para la detección de mielomalacia cervical en imágenes de resonancia magnética
La tecnología de aprendizaje profundo se ha utilizado cada vez más en la cirugía de columna, así como en muchos campos médicos. Sin embargo, se advierte que la mayoría de los estudios sobre este tema en la literatura se han realizado excepto en la columna cervical. En este estudio, nuestro objetivo fue demostrar la efectividad del algoritmo de aprendizaje profundo en el diagnóstico de mielomalacia cervical en comparación con los métodos de diagnóstico convencionales.
Las redes neuronales artificiales, una técnica de aprendizaje automático, se han utilizado cada vez más en varios campos industriales y de investigación. El desarrollo de unidades computacionales y la creciente cantidad de datos llevaron al desarrollo de nuevos métodos en redes neuronales artificiales.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
La mielopatía cervical (MC) es una enfermedad degenerativa frecuente de la columna cervical que ocurre como resultado de la compresión de la médula espinal. Al evaluar esta enfermedad y determinar las opciones de tratamiento, la clínica del paciente y las modalidades radiológicas deben evaluarse juntas.
Los procedimientos actuales de obtención de imágenes para la MC son las radiografías simples, la tomografía computarizada y la resonancia magnética nuclear (RMN). Sin embargo, la resonancia magnética en CM es más valiosa para evaluar el disco, la médula espinal y otros tejidos blandos en comparación con otros métodos de imagen. Las tecnologías de inteligencia artificial también se utilizan en muchas aplicaciones de salud, como análisis de imágenes médicas, análisis de señales biológicas, etc. En este estudio, nuestro objetivo fue demostrar la efectividad del algoritmo de aprendizaje profundo en el diagnóstico de mielomalacia cervical en comparación con los métodos de diagnóstico convencionales.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Fatih
-
Istanbul, Fatih, Pavo, 34093
- Istanbul University
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- los pacientes con síntomas clásicos de mielomalacia cervical, como dolor y rigidez de cuello, debilidad y torpeza en las extremidades superiores o dificultades para caminar y hallazgos radiológicos de compresión espinal
- 30-80 años de edad.
Criterio de exclusión:
- Pacientes con antecedentes de cirugía de columna cervical y que presenten una enfermedad sistémica (enfermedad reumatológica o neural).
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
mielopatía cervical
Imágenes de RM de pacientes con mielopatía cervical
|
Las redes neuronales convolucionales, una técnica de aprendizaje automático, se han utilizado cada vez más en varios campos industriales y de investigación.
El desarrollo de unidades computacionales y la creciente cantidad de datos llevaron al desarrollo de nuevos métodos en redes neuronales artificiales.
El aprendizaje profundo (DL) es una red neuronal de varias capas en la que la extracción de características se realiza automáticamente.
Extiende las redes neuronales tradicionales al agregar más capas ocultas a la arquitectura de red entre las capas de entrada y salida para modelar relaciones más complejas y no lineales.
|
|
normal
sección normal de la resonancia magnética de pacientes con mielopatía cervical
|
Las redes neuronales convolucionales, una técnica de aprendizaje automático, se han utilizado cada vez más en varios campos industriales y de investigación.
El desarrollo de unidades computacionales y la creciente cantidad de datos llevaron al desarrollo de nuevos métodos en redes neuronales artificiales.
El aprendizaje profundo (DL) es una red neuronal de varias capas en la que la extracción de características se realiza automáticamente.
Extiende las redes neuronales tradicionales al agregar más capas ocultas a la arquitectura de red entre las capas de entrada y salida para modelar relaciones más complejas y no lineales.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
El valor de la precisión de la matriz de confusión para vistas sagitales
Periodo de tiempo: 1 día
|
Es un diseño de tabla específico que permite la visualización del rendimiento de un algoritmo.
|
1 día
|
|
El valor de la precisión de la matriz de confusión para vistas axiales
Periodo de tiempo: 1 día
|
Es un diseño de tabla específico que permite la visualización del rendimiento de un algoritmo.
|
1 día
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Investigador principal: Murat Korkmaz, Istanbul University, Faculty of Medicine
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (ACTUAL)
Finalización primaria (ACTUAL)
Finalización del estudio (ACTUAL)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (ACTUAL)
Actualizaciones de registros de estudio
Última actualización publicada (ACTUAL)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- KAEK/2020.07.129
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Marco de tiempo para compartir IPD
Tipo de información de apoyo para compartir IPD
- PROTOCOLO DE ESTUDIO
- SAVIA
- CIF
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .