Realista en la generación de imágenes de células HEp-2 utilizando modelos de difusión latente: una prueba visual de Turing multicéntrica
Evaluación del realismo de imágenes de células ANA HEp-2 sintetizadas mediante modelos de difusión latente: una prueba visual de Turing multicéntrica
El objetivo de este estudio observacional prospectivo es examinar rigurosamente la viabilidad y eficacia de utilizar modelos de difusión latente para el aumento de datos en imágenes de inmunofluorescencia de células Hep-2 de anticuerpos antinucleares (ANA). La principal pregunta que pretende responder es:
¿Puede la aplicación de dichos modelos mejorar potencialmente la calidad de los datos, aumentar la diversidad de muestras o mejorar la precisión y eficiencia de los procesos analíticos posteriores (como el diagnóstico y la clasificación de enfermedades) cuando se utilizan con imágenes relacionadas con ANA?
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Un problema fundamental en la investigación biomédica es el bajo número de observaciones disponibles, principalmente debido a la falta de biomuestras disponibles, costos prohibitivos o razones éticas. Aumentar algunas observaciones reales con muestras generadas in silico podría conducir a resultados de análisis más sólidos y una mayor tasa de reproducibilidad. Aquí, los investigadores proponen utilizar aprendizaje no supervisado con modelos de difusión latente para la generación realista de datos de imágenes ANA-IIF.
Los investigadores plantean la hipótesis de que la generación de imágenes ANA-IIF será realista si es difícil diferenciarlas (falsas) de las reales (verdaderas). Para probar esta hipótesis, los investigadores presentan pruebas multicéntricas de Visual Turing (https://turing.rednoble.net/) para evaluar la calidad de las imágenes generadas (falsas).
Esta configuración experimental permite a los investigadores validar la calidad general de las imágenes ANA-IIF generadas, que luego pueden usarse para (1) capacitar a citopatólogos con fines educativos y (2) generar muestras realistas para entrenar redes profundas con big data.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Porcelana, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Originario de instituciones médicas acreditadas.
- Poseer certificaciones y calificaciones relevantes.
- Tener más de un año de experiencia en la interpretación de patrones de anticuerpos antinucleares (ANA) en un entorno de laboratorio.
Criterio de exclusión:
- Falta de certificación y calificaciones profesionales relevantes.
- Sin experiencia en interpretación de patrones ANA.
- No estar dispuesto a aceptar las reglas y el consentimiento informado de la prueba visual de Turing.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
expertos
con más de 20 años de experiencia en lectura ANA-IIF
|
determinar el tipo de patrón ANA con o sin referencia a los resultados de la salida del modelo de IA.
|
|
citopatólogos junior
Menos de 5 años de experiencia médica académica.
|
determinar el tipo de patrón ANA con o sin referencia a los resultados de la salida del modelo de IA.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
El realismo de las imágenes sintetizadas por modelos de difusión.
Periodo de tiempo: Base
|
Los investigadores realizaron un estudio utilizando el método de prueba visual de Turing, midiendo mediante un formato de cuestionario y evaluaron los resultados de la medición mediante una escala Likert de 5 puntos. La escala Likert de 5 puntos evalúa las opiniones de los participantes sobre la calidad de las imágenes a través de cinco opciones de respuesta: Real, Muy parecido, Incierto, No del todo parecido, Falso. Calcula las puntuaciones asignando números (por ejemplo, 5 a 1) a estas opciones, sumando las puntuaciones de cada participante. Los resultados se evalúan analizando la distribución de las puntuaciones, incluidas las puntuaciones medias, y evaluando su fiabilidad y validez. Además, el investigador calculó una variedad de parámetros utilizados para la evaluación del modelo interno, que incluyen: precisión, recuperación, puntuación F1 y precisión promedio promedio (mAP). |
Base
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
El impacto del resultado del modelo de IA en los participantes
Periodo de tiempo: Base
|
El investigador evaluó el cambio en la tasa de precisión de las interpretaciones de los participantes antes y después de ser asistido por el modelo de IA, los investigadores realizarán un análisis comparativo.
Además, el investigador calcula el coeficiente de concordancia Kappa entre las interpretaciones humanas y el modelo, y evalúa si existen diferencias en la precisión entre citopatólogos con distintos niveles de experiencia cuando cuentan con la ayuda de IA.
|
Base
|
|
El tiempo necesario para la interpretación del patrón ANA.
Periodo de tiempo: Base
|
El investigador compara el tiempo que tarda el participante en completar las interpretaciones antes y después de la intervención del modelo de IA, evaluando si hay una reducción en el tiempo promedio de interpretación por caso, desde X minutos antes de la asistencia de IA hasta Y minutos después de la IA.
|
Base
|
Colaboradores e Investigadores
Investigadores
- Director de estudio: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publicaciones y enlaces útiles
Publicaciones Generales
- 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.
Enlaces Útiles
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
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
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- XH-24-007
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
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. .