- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT06540742
Multimodaalinen kuvantamisdiagnoosi ja päätöksentekoapujärjestelmä maksan ekinokokoosille, joka perustuu kuvaomiikkaan ja näkömakromalliin
perjantai 13. syyskuuta 2024 päivittänyt: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Maksan ekinokokkoosi (maksan ekinokokkoosi) on tärkeä zoonoosi, jota esiintyy laajalti Luoteis-Kiinan maatalous- ja pastoraatioalueilla.
Sairaus voi olla loinen missä tahansa ihmiskehon osassa ja voi vaikuttaa useisiin elimiin.
Vaikeissa tapauksissa potilaat menettävät työkyvyn.
Tällä hetkellä sairaus kohtaa haasteita diagnostisessa tarkkuudessa, spesifisen tyypin tunnistamisessa, ennen leikkausta tapahtuvan aktiivisuuden arvioinnissa, leikkauksen jälkeisen uusiutumisen ennustamisessa ja T-putken painuman päätöksen arvioinnissa.
Tämä ongelma on erityisen merkittävä korkean ilmaantuvuuden alueilla, joilla lääketieteen resurssit jakautuvat epätasaisesti ja joilla on pula erinomaisista kuvantamislääkäreistä ja kliinikoista.
Aiemmat tutkimuksemme ovat osoittaneet, että visuaalisten suurten mallien ja kuvantamisalgoritmien käyttö voi tehokkaasti segmentoida maksan ekinokokkileesiot, erottaa tärkeimmät ominaisuudet ja tarjota kliinikoille tarkat ja luotettavat diagnoosi- ja hoitosuositukset.
Uskomme, että erilaisten lääketieteellisten kuvamuotojen (kuten MRI, TT ja ultraääni) muuntamisen perusteella, joka perustuu laajempaan monikeskustietokokonaisuuksiin, tavoitteena on tehokkaan tunnistamisen, diagnoosin, kirurgisen päätöksen tuen ja leikkauksen jälkeisen maksan tarkka ennustaminen. ekinokokkoosi voidaan saavuttaa.
Käytämme tekoälyteknologian ratkaisuja, kuten kontradiktorisen sukupolven verkkoa, vision large -mallia, kuvaomiikkaa ja päätöstason fuusiota, ottaen huomioon diagnoosin ja hoidon tehokkuuden, diagnoosin ja hoidon automatisoinnin sekä diagnoositulosten tulkittavuuden rakentaaksemme kattavan tarkan diagnoosin ja ennusteen. järjestelmä maksan ekinokokoosille
Tutkimuksen yleiskatsaus
Tila
Valmis
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
- Maksan ekinokokoosin automaattinen tunnistus/tehokas diagnoosi: syvään oppimiseen perustuvan tekoälydiagnostiikkatyökalun kehittäminen, jonka tavoitteena on parantaa maksan ekinokokoosin erottamista muista maksasairaudista, kuten maksakystaista, maksapaiseista ja muista maksan kystistä tilaa miehittävistä leesioista. Työkalu hyödyntää generatiivisia vastustavia verkostoja ja polarisoituja itsetarkkailualgoritmeja tunnistaakseen ja luokitellakseen tehokkaasti maksan ekinokokoosin läntisen alueen epätasaisten lääketieteellisten resurssien ja ammattitaitoisten lääkäreiden puutteen kompensoimiseksi.
- Tiettyjen maksan ekinokokoosin tyyppien erotusdiagnoosi: Tutkia multimodaalisen kuvantamisen käyttöä yhdistettynä syväoppimismenetelmiin maksaekinokokoosin CL-tyypin, CE1-tyypin ja maksakystan erottamiseksi. Tässä tutkimuksessa käytetään DINOv2-lääketieteellisten kuvien segmentointialgoritmia ja syväoppimistekniikkaa tapausten tarkkaan tunnistamiseen suhteellisen epätasaisesti jakautuneista ja monimutkaisista tiedoista.
- Maksan ekinokokoosin postoperatiivisen uusiutumisen ennustaminen: Transfer-oppimista ja Deep-SVDD-algoritmia käytetään maksan ekinokokoosin postoperatiivisen uusiutumisen riskin ennustamiseen, mikä tarjoaa tehokkaan ratkaisun epätasapainoisiin näytekoon tietokokonaisuuksiin. Lisäksi integroimalla lääketieteellisen big data -alustan tiedot luotiin tekoälypohjainen postoperatiivisen uusiutumisen ennustemalli.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
1000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, Kiina
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen 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
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Tässä tutkimuksessa, joka perustui leikkauksen jälkeisen patologian vahvistaman maksan hydatidia sairastavien potilaiden kuvatietoihin, syväoppimistekniikkaa käytettiin maksan hydatidin erottamiseen maksan kystisen aseman leesioista, kuten maksakystasta ja maksan paisesta.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla on täydelliset alkuperäiset kuvat CT-, ultraääni- ja MRI-dcim-muodoissa
- Potilaat, joilla on maksan hydatidia leikkauksen jälkeen
- Potilaat, joilla on täydelliset kliiniset tiedot
Poissulkemiskriteerit:
- Potilaat, joiden kuvantamistiedot ovat huonolaatuisia
- Potilaat, joiden kliiniset tiedot eivät ole täydellisiä
- CE4- ja CE5-maksapotilaat, jotka on diagnosoitu pelkällä kuvantamisella ilman kirurgista hoitoa
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 |
|---|---|
|
Tarkkailuryhmä
Tässä tutkimuksessa tutkimuskohteena otettiin maksan hydatidia sairastavien potilaiden leikkausta edeltävät kuvatiedot
|
Keinotekoinen hermoverkko rakennettiin tunnistamaan automaattisesti maksan hydatidi käyttämällä syväoppimistekniikkaa
|
|
Kontrolliryhmä
Maksakysta, maksapaise ja normaali maksa olivat kontrolliryhmä
|
Keinotekoinen hermoverkko rakennettiin tunnistamaan automaattisesti maksan hydatidi käyttämällä syväoppimistekniikkaa
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
roc käyrä
Aikaikkuna: 2024.7-2026.3
|
Vastaanottimen toimintakäyrä
|
2024.7-2026.3
|
|
AUC
Aikaikkuna: 2024.7-2026.3
|
ROC-käyrän alla oleva alue
|
2024.7-2026.3
|
|
PPV
Aikaikkuna: 2024.7-2026.3
|
Positiivinen ennakoiva arvo
|
2024.7-2026.3
|
|
NPV
Aikaikkuna: 2024.7-2026.3
|
Negatiivinen ennakoiva arvo
|
2024.7-2026.3
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Tutkijat
- Opintojohtaja: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
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)
Lauantai 30. syyskuuta 2023
Ensisijainen valmistuminen (Todellinen)
Torstai 12. syyskuuta 2024
Opintojen valmistuminen (Todellinen)
Torstai 12. syyskuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 2. elokuuta 2024
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 2. elokuuta 2024
Ensimmäinen Lähetetty (Todellinen)
Tiistai 6. elokuuta 2024
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 19. syyskuuta 2024
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 13. syyskuuta 2024
Viimeksi vahvistettu
Sunnuntai 1. syyskuuta 2024
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- SYSKY-2024-517-01
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
IPD-suunnitelman kuvaus
Asiaankuuluvat lääketieteelliset kuvatiedot koskevat potilaan yksityisyyttä, ja tutkimusryhmä kieltäytyi jakamasta sitä
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 .