Magneettiresonanssikuvaustietojen retrospektiivinen analyysi rintasyövän seulontaa varten hajautetun lääketieteellisen tekoälyn avoimessa konsortiossa (ODELIA)
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Tekoäly (AI) mullistaa terveydenhuollon, kun sen diagnostinen suorituskyky lähestyy kliinisten asiantuntijoiden suorituskykyä. Erityisesti syöpäseulonnassa tekoäly voisi auttaa potilaita tekemään parempia päätöksiä ja vähentämään lääketieteellisiä virheitä. Tämä vaatii kuitenkin suuria tietokokonaisuuksia, joiden keräämiseen liittyy vakavia käytännön, eettisiä ja oikeudellisia esteitä. Nämä esteet voitaisiin mahdollisesti voittaa parvioppimisella (SL), jossa kumppanit kouluttavat yhdessä tekoälymalleja jakamatta tietoja. Pääsy SL-teknologiaan on kuitenkin tällä hetkellä rajoitettua, koska tutkimukset eivät ole toteuttaneet SL:ää todellisessa monikansallisessa järjestelmässä, vapaasti käytettävää SL-toteutusta ei ole saatavilla, tutkijoilla ja terveydenhuollon tarjoajilla ei ole kokemusta SL-verkkojen perustamisesta eivätkä päättäjät ole tällä hetkellä tietoisia laajemmasta. SL:n vaikutukset.
ODELIA pyrkii ratkaisemaan nämä ongelmat: ODELIA rakentaa avoimen lähdekoodin ohjelmistokehyksen SL:lle, joka tarjoaa kokoonpanolinjan tekoälyratkaisujen virtaviivaistettuun kehittämiseen prekliinisissä olosuhteissa. Tulevien SL-pohjaisten tekoälyjärjestelmien mallina ODELIA-kumppanit tekevät yhteistyötä konsortiona kehittääkseen tekoälymalleja rintasyövän havaitsemiseen magneettiresonanssikuvauksessa (MRI). ODELIAn hajautetun tietokannan koko tulee olemaan huomattava ja ODELIAn tekoälymallit voivat saavuttaa asiantuntijatason suorituskyvyn rintasyövän seulonnassa.
Siten ODELIA ei pysty tarjoamaan vain hyödyllistä lääketieteellistä sovellusta, vaan se tarjoaa myös todisteita SL:n kliinisistä eduista nopeutuneen kehityksen, paremman suorituskyvyn ja vankan yleistettävyyden muodossa.
Tämän saavuttamiseksi ODELIA-kumppanit keräävät retrospektiivisiä, anonymisoituja rintojen MRI-tietosarjoja, joissa on manuaaliset totuusmerkinnät syövän esiintymisestä, ja kouluttavat tekoälymalleja tavanomaisesti ja SL:n kautta. Näiden teknisten lähestymistapojen suorituskykyä verrataan. Tutkimuksen tavoitteena on testata Swarm Learningin metodologiaa ja ODELIAssa kehitettyjen tekoälyalgoritmien suorituskykyä retrospektiivisillä tiedoilla. Tällä ei ole vaikutusta potilaiden hoitoon, koska kaikki arvioinnit tehdään takautuvasti. Tutkimukseen ei liity potilaan hoitoa tai interventioita.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
NRW
-
Aachen, NRW, Saksa, 52074
- Daniel Truhn
-
-
Saxony
-
Dresden, Saxony, Saksa, 01309
- Jakob Nikolas Kather
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Nainen
- ikä magneettikuvauksessa 18-90 vuotta
Poissulkemiskriteerit:
- riittämätön kuvanlaatu sokean radiologin arvioimana ennen analyysin aloittamista
- ei-tunnistettavissa oleva perustotuus (eli diagnoosia ei ole vielä vahvistettu)
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Takautuva
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Naiset, jotka käyvät rintasyöpäseulonnassa magneettikuvauksella
Interventioita ei anneta.
Tiedot kerätään takautuvasti anonymisoidulla tavalla kunkin toimipaikan eettisen hyväksynnän jälkeen.
|
Ei väliintuloa.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Diagnostinen suorituskyky rintasyövän havaitsemiseksi (herkkyys ja spesifisyys)
Aikaikkuna: 5 vuotta
|
Rintasyövän havaitsemisen diagnostinen suorituskyky (herkkyys ja spesifisyys) verrattuna kultaiseen standardimenetelmään asiantuntijoiden rintojen MRI-arvioinnissa, voidaan tiivistää vastaanottimen toiminnan ominaiskäyrään useille kynnysarvoille, vertaamalla useita teknisiä lähestymistapoja, mukaan lukien parvioppimiseen perustuva. AI-mallit ja paikalliset AI-mallit.
|
5 vuotta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Julkaisuja ja hyödyllisiä linkkejä
Hyödyllisiä linkkejä
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- ODELIA
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .