Sistema de ayuda a la toma de decisiones y diagnóstico por imágenes multimodal para la equinococosis hepática basado en ómicas de imágenes y macromodelo de visión
13 de septiembre de 2024 actualizado por: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
La equinococosis hepática (equinococosis hepática) es una enfermedad zoonótica importante que existe ampliamente en las zonas agrícolas y pastorales del noroeste de China.
La enfermedad puede ser parasitaria en cualquier parte del cuerpo humano y afectar múltiples órganos.
En casos graves, los pacientes perderán la capacidad de trabajar.
En la actualidad, la enfermedad enfrenta desafíos en cuanto a precisión diagnóstica, identificación de tipo específico, evaluación de la actividad preoperatoria, predicción de recurrencia posoperatoria y evaluación de decisiones sobre la indentación del tubo en T.
Este problema es particularmente significativo en áreas de alta incidencia con una distribución desigual de los recursos médicos y escasez de médicos y clínicos excelentes en imágenes.
Nuestros estudios anteriores han demostrado que el uso de modelos visuales grandes y algoritmos ómicos de imágenes pueden segmentar eficazmente las lesiones de equinococos hepáticos, extraer características clave y proporcionar a los médicos recomendaciones de diagnóstico y tratamiento precisas y confiables.
Creemos que sobre la base de la transformación de diferentes modos de imágenes médicas (como resonancia magnética, tomografía computarizada y ultrasonido) basados en un gran conjunto de datos multicéntricos más amplio, el objetivo de una identificación, un diagnóstico, un apoyo a las decisiones quirúrgicas y una predicción posoperatoria precisa y efectiva de la enfermedad hepática Se puede lograr la equinococosis.
Utilizaremos soluciones de tecnología de inteligencia artificial, como red de generación adversaria, modelo de visión grande, ómica de imágenes y fusión de niveles de decisión, teniendo en cuenta la eficiencia del diagnóstico y el tratamiento, la automatización del diagnóstico y el tratamiento y la interpretabilidad de los resultados del diagnóstico, para construir un diagnóstico y pronóstico integral y preciso. sistema para la equinococosis hepática
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Descripción detallada
- Reconocimiento automático/diagnóstico eficiente de la equinococosis hepática: desarrollo de una herramienta de diagnóstico de IA basada en aprendizaje profundo destinada a mejorar la diferenciación de la equinococosis hepática de otras enfermedades hepáticas, como quistes hepáticos, abscesos hepáticos y otras lesiones que ocupan el espacio quístico hepático. La herramienta utilizará redes generativas adversarias y algoritmos de autoatención polarizados para identificar y clasificar eficazmente la equinococosis hepática para compensar los recursos médicos desiguales y la escasez de médicos profesionales en la región occidental.
- Diagnóstico diferencial de tipos específicos de equinococosis hepática: explorar el uso de imágenes multimodales combinadas con métodos de aprendizaje profundo para distinguir el tipo CL, el tipo CE1 y el quiste hepático de la equinococosis hepática. Esta investigación aplicará el algoritmo de segmentación de imágenes médicas DINOv2 y la tecnología de aprendizaje profundo para identificar con precisión casos con datos complejos y distribuidos de manera relativamente desigual.
- Predicción de la recurrencia posoperatoria de la equinococosis hepática: el aprendizaje por transferencia y el algoritmo Deep-SVDD se utilizan para predecir el riesgo de recurrencia posoperatoria de la equinococosis hepática, lo que proporciona una solución eficaz para conjuntos de datos de tamaño de muestra desequilibrados. Además, al integrar los datos en la plataforma de big data médico, se estableció un modelo de predicción de recurrencia postoperatoria basado en IA.
Tipo de estudio
De observación
Inscripción (Actual)
1000
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.
Ubicaciones de estudio
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, Porcelana
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
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
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
En este estudio, basándose en los datos de imágenes de pacientes con hidatidosis hepática confirmada por patología después de la cirugía, se utilizó tecnología de aprendizaje profundo para distinguir la hidatidosis hepática de las lesiones de la estación quística hepática, como los quistes hepáticos y los abscesos hepáticos.
Descripción
Criterios de inclusión:
- Pacientes con imágenes originales completas en formatos dcim de TC, ecografía y resonancia magnética.
- Pacientes con hidatidosis hepática confirmada por patología después de la operación.
- Pacientes con preservación completa de datos clínicos.
Criterio de exclusión:
- Pacientes con datos de imágenes de mala calidad.
- Pacientes con datos clínicos incompletos.
- Pacientes con hidatidosis hepática CE4 y CE5 diagnosticados solo mediante imágenes sin tratamiento quirúrgico
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
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Grupo de observación
En este estudio se tomaron como objeto de investigación datos de imágenes preoperatorias de pacientes con hidatidosis hepática.
|
Se construyó una red neuronal artificial para identificar automáticamente la hidatidosis hepática mediante el uso de tecnología de aprendizaje profundo
|
|
Grupo de control
Quiste hepático, absceso hepático e hígado normal fueron el grupo de control.
|
Se construyó una red neuronal artificial para identificar automáticamente la hidatidosis hepática mediante el uso de tecnología de aprendizaje profundo
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
curva de roca
Periodo de tiempo: 2024.7-2026.3
|
Curva característica de funcionamiento del receptor
|
2024.7-2026.3
|
|
AUC
Periodo de tiempo: 2024.7-2026.3
|
Área bajo la curva ROC
|
2024.7-2026.3
|
|
PPV
Periodo de tiempo: 2024.7-2026.3
|
Valor predictivo positivo
|
2024.7-2026.3
|
|
VPN
Periodo de tiempo: 2024.7-2026.3
|
Valor predictivo negativo
|
2024.7-2026.3
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Investigadores
- Director de estudio: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
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)
30 de septiembre de 2023
Finalización primaria (Actual)
12 de septiembre de 2024
Finalización del estudio (Actual)
12 de septiembre de 2024
Fechas de registro del estudio
Enviado por primera vez
2 de agosto de 2024
Primero enviado que cumplió con los criterios de control de calidad
2 de agosto de 2024
Publicado por primera vez (Actual)
6 de agosto de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
19 de septiembre de 2024
Última actualización enviada que cumplió con los criterios de control de calidad
13 de septiembre de 2024
Última verificación
1 de septiembre de 2024
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- SYSKY-2024-517-01
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Descripción del plan IPD
Los datos relevantes de imágenes médicas implican la privacidad del paciente y el grupo de investigación se negó a compartirlos
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. .