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

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

Yksityiskohtainen kuvaus

  1. 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.
  2. 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.
  3. 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:

  1. Potilaat, joilla on täydelliset alkuperäiset kuvat CT-, ultraääni- ja MRI-dcim-muodoissa
  2. Potilaat, joilla on maksan hydatidia leikkauksen jälkeen
  3. Potilaat, joilla on täydelliset kliiniset tiedot

Poissulkemiskriteerit:

  1. Potilaat, joiden kuvantamistiedot ovat huonolaatuisia
  2. Potilaat, joiden kliiniset tiedot eivät ole täydellisiä
  3. 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

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 .

Tilaa