Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Automaattinen segmentointi ultraäänipohjainen radiomiikkatekniikka diabeettisessa munuaissairaudessa

tiistai 15. helmikuuta 2022 päivittänyt: Second Affiliated Hospital, School of Medicine, Zhejiang University

Diabeettisen munuaissairauden ei-invasiivinen havaitseminen automaattisen segmentoinnin ultraäänipohjaisen radiomiikkateknologian perusteella

Diabeettinen munuaissairaus on diabeteksen yleinen komplikaatio ja pääasiallinen loppuvaiheen munuaissairauden syy. Tässä tutkimuksessa tutkija suunnittelee ottavansa mukaan lähes 500 DKD:tä sairastavaa/ilman osallistujaa ja kehittämään automaattisen segmentointiin perustuvan ultraäänipohjaisen radiomiikkateknologian osallistujan erottamiseksi ei-invasiivisella ja käytettävissä olevalla tavalla.

Tutkimuksen yleiskatsaus

Tila

Valmis

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Ultraäänitutkimus on kätevä, halpa ja ei-invasiivinen menetelmä munuaistutkimukseen. Perinteisen ultraäänen kyky erottaa diabeettinen munuaissairaus normaalista munuaissairaudesta on kuitenkin rajallinen, ja diabeettisen munuaissairauden ja normaalin munuaisen välillä on vaikea erottaa tarkasti toisistaan ​​vain paljaalla silmällä. Tietojenkäsittelytiede on kehittynyt viime vuosina nopeasti ja tekoäly on kehittynyt jatkuvasti. Tekoälyn soveltamisessa data-analyysissä on edistytty paljon. Koneoppiminen on yleistyneen tekoälyn suunta, jonka pääominaisuus on tehdä koneesta autonominen ennuste ja luoda algoritmi autonomisen oppimisen saavuttamiseksi. munuaissairaus ja syväoppiminen ovat kaksi eri lähestymistapaa koneoppimisen alalla. Tässä tutkimuksessa kuvien analysoinnissa käytettiin kuvaomiikkaa ja syväoppimista. Image omics poimii perinteisiä kuvan ominaisuuksia, kuten muodon, harmaasävyt, tekstuurit jne., ja käyttää koneoppimismalleja (kuviontunnistus) luokitteluun ja ennustamiseen, kuten tukivektorikonetta, satunnaista metsää, XGBoostia jne. Syväoppiminen käyttää suoraan konvoluutioverkko CNN ominaisuuksien poimimiseksi ja suorittaa luokituksen ja ennustamisen yhdessä täyden yhteyskerroksen kanssa jne.

Tämän tutkimuksen tavoitteena on tutkia diabeettisen munuaissairauden ja sen patologisen asteen havaitsemista automaattisen segmentoinnin ultraäänipohjaisen radiomiikkateknologian perusteella, ultraäänikuvien sisäisen tiedon louhintaa ja muodostaa sarja diabeettisen munuaissairauden komplikaatioiden non-invasiivisen seurantajärjestelmän, varsinkin ensisijaisissa lääketieteellisissä laitoksissa, sillä on laaja kliininen käyttömahdollisuus.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

499

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Kiina
    • Anhui
      • Fuyang, Anhui, Kiina, 236200
        • The People's Hospital of Yingshang
    • Tianjin
      • Tianjin, Tianjin, Kiina, 300000
        • Tianjin Third Central Hospital
    • Zhejiang
      • Hangzhou, Zhejiang, Kiina, 310000
        • Department of Ultrasound, Second Affiliated Hospital, School of Medicine, Zhejiang University

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta - 80 vuotta (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

  1. diabetesta sairastavat potilaat
  2. potilailla, joilla on tai ei ole DKD:tä

Kuvaus

Sisällyttämiskriteerit:

  • potilaita, joilla oli kliininen T2DM- ja DKD-diagnoosi, otettiin mukaan.
  • potilaat, joilla on selkeä B-moodin ultraäänikuva munuaisen molemmilla puolilla (vasemmalla ja oikealla).
  • Ei puuttuvaa arvoa tärkeistä kliinisistä tiedoista, kuten eGFR ja UACR.

Poissulkemiskriteerit:

  • Potilaat, joilla oli suuri munuaistilaa vaativa sairaus, kuten munuaiskysta ja kasvain, suljettiin pois.
  • Ultraäänikuvat, joissa oli vakava varjo tai epätäydellinen munuaisreuna, jätettiin pois.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
Kokeellinen ryhmä
Kokeellinen ryhmä 1: DKD-potilaat, joilla on tyypin 2 diabetes Potilaat, joilla on DKD. Kokeellinen ryhmä 2: Korkean tason DKD-potilaat, joilla on diabeettinen munuaissairaus, vaihe III ja IV.
Diagnostinen testi: ultraäänikuvaus
Kaksiulotteiset ultraäänikuvat potilaan munuaisista saatiin ultraäänikuvauksella.
Kontrolliryhmä
Kontrolli1: T2DM-potilaat, joilla on tyypin 2 diabetes Kontrolli2: matalan tason DKD-potilaat, joilla on diabeettinen munuaissairaus, vaihe I ja II.
Diagnostinen testi: ultraäänikuvaus
Kaksiulotteiset ultraäänikuvat potilaan munuaisista saatiin ultraäänikuvauksella.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
AUC
Aikaikkuna: 6 kuukautta
Radiomiikkamallin käyrän alapuolella oleva pinta-ala (AUC) DKD:n ja T2DM:n tai korkean ja matalan DKD-potilaiden erottamiseksi
6 kuukautta

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Miou
Aikaikkuna: 6 kuukautta
DL-pohjaisen automaattisen segmentoinnin keskimääräinen leikkauspiste (Miou) eri lääketieteellisissä keskuksissa
6 kuukautta
mPA
Aikaikkuna: 6 kuukautta
DL-pohjaisen automaattisen segmentoinnin keskimääräinen pikselitarkkuus (mPA) eri lääketieteellisissä keskuksissa
6 kuukautta

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Second Affiliated Hospital, School of Medicine, Zhejiang University

Tutkijat

  • Opintojen puheenjohtaja: Pintong Huang, Department of Ultrasound, The Second Affiliated Hospital of Zhejiang University

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Tiistai 1. kesäkuuta 2021

Ensisijainen valmistuminen (Todellinen)

Keskiviikko 1. joulukuuta 2021

Opintojen valmistuminen (Todellinen)

Keskiviikko 1. joulukuuta 2021

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Tiistai 24. elokuuta 2021

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Tiistai 24. elokuuta 2021

Ensimmäinen Lähetetty (Todellinen)

Perjantai 27. elokuuta 2021

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Keskiviikko 16. helmikuuta 2022

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 15. helmikuuta 2022

Viimeksi vahvistettu

Sunnuntai 1. elokuuta 2021

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 2021-0465

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Kliiniset tutkimukset Diabeettinen munuaissairaus

Kliiniset tutkimukset ultraäänikuvaus

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Brazil

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

Tilaa