Realistinen HEp-2-solukuvien luomisessa piileviä diffuusiomalleja käyttäen: monikeskus visuaalinen Turingin testi
Piileviä diffuusiomalleja käyttämällä syntetisoitujen ANA HEp-2 -solukuvien realistisuuden arviointi: Monikeskus visuaalinen Turingin testi
Tämän prospektiivisen havainnointitutkimuksen tavoitteena on tutkia tarkasti latenttien diffuusiomallien käyttömahdollisuutta ja tehokkuutta datan lisäämiseen anti-nukleaaristen vasta-aineiden (ANA) Hep-2-solujen immunofluoresenssikuvissa. Pääkysymys, johon se pyrkii vastaamaan, on:
Voiko tällaisten mallien soveltaminen mahdollisesti parantaa tietojen laatua, lisätä näytteiden monimuotoisuutta tai parantaa myöhempien analyyttisten prosessien (kuten sairauksien diagnoosin ja luokituksen) tarkkuutta ja tehokkuutta, kun niitä käytetään ANA-kuvien kanssa?
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Biolääketieteellisen tutkimuksen perustavanlaatuinen ongelma on saatavilla olevien havaintojen vähäinen määrä, mikä johtuu pääasiassa saatavilla olevien bionäytteiden puutteesta, kohtuuttomista kustannuksista tai eettisistä syistä. Muutaman todellisen havainnon lisääminen in silico -näytteillä voi johtaa luotettavampiin analyysituloksiin ja parempaan toistettavuusasteeseen. Tässä tutkijat ehdottavat valvomattoman oppimisen käyttöä latenttien diffuusiomallien kanssa ANA-IIF-kuvadatan realistiseen luomiseen.
Tutkijat olettavat, että ANA-IIF-kuvan luominen on realistista, jos niitä on vaikea erottaa (fake) todellisesta (tosi). Tämän hypoteesin testaamiseksi tutkijat esittävät Multi-center Visual Turing -testit (https://turing.rednoble.net/) arvioidakseen luotujen (väärennösten) kuvien laatua.
Tämän kokeellisen järjestelyn avulla tutkijat voivat validoida luotujen ANA-IIF-kuvien yleisen laadun, jota voidaan sitten käyttää (1) sytopatologien kouluttamiseen koulutustarkoituksiin ja (2) realististen näytteiden luomiseen syvällisten verkkojen kouluttamiseen suurella datalla.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kiina, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Alkuperäinen hyvämaineisista lääketieteellisistä laitoksista
- Asianmukainen todistus ja pätevyys
- Yli vuoden kokemus anti-nukleaaristen vasta-aineiden (ANA) kuvioiden tulkinnasta laboratorioympäristössä
Poissulkemiskriteerit:
- Asianmukaisen ammatillisen todistuksen ja pätevyyden puuttuminen
- Ilman kokemusta ANA-mallien tulkinnasta
- Haluton hyväksymään visuaalisen Turingin testin sääntöjä ja tietoista suostumusta
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
asiantuntijoita
yli 20 vuoden kokemuksella ANA-IIF-lukemisesta
|
ANA-kuviotyypin määrittäminen joko AI-mallin tulosten tuloksiin viitaten tai ilman.
|
|
nuoremmat sytopatologit
alle 5 vuoden akateeminen lääketieteellinen kokemus
|
ANA-kuviotyypin määrittäminen joko AI-mallin tulosten tuloksiin viitaten tai ilman.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Diffuusiomallien avulla syntetisoitujen kuvien realistisuus
Aikaikkuna: Perustaso
|
Tutkijat suorittivat tutkimuksen visuaalisella Turingin testimenetelmällä kyselylomakkeella mittaamalla ja arvioivat mittaustuloksia 5-pisteen Likert-asteikolla. 5-pisteinen Likert-asteikko arvioi osallistujien mielipiteitä kuvien laadusta viidellä vastausvaihtoehdolla: Todellinen, Paljon samankaltainen, Epävarma, Ei aivan kuten, Fake. Se laskee pisteet antamalla numerot (esim. 5-1) näille vaihtoehdoille ja laskemalla yhteen kunkin osallistujan pisteet. Tuloksia arvioidaan analysoimalla pisteiden jakauma, mukaan lukien keskiarvopisteet, ja arvioimalla niiden luotettavuus ja validiteetti. Lisäksi tutkija laski joukon parametreja, joita käytettiin sisäisen mallin arvioinnissa, mukaan lukien: tarkkuus, palautus, F1-pisteet ja keskimääräinen tarkkuus (mAP). |
Perustaso
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälymallin tulosten vaikutus osallistujiin
Aikaikkuna: Perustaso
|
Tutkija arvioi osallistujien tulkintojen tarkkuuden muutosta ennen ja jälkeen tekoälymallin avustuksella, tutkijat tekevät vertailevan analyysin.
Lisäksi tutkija laskee ihmisen tulkintojen ja mallin välisen Kappa-yhteensopivuuskertoimen ja arvioi, onko tarkkuudessa eroja sytopatologien välillä, joilla on vaihteleva kokemus, kun AI auttaa heitä.
|
Perustaso
|
|
ANA-mallin tulkintaan kulunut aika
Aikaikkuna: Perustaso
|
Tutkija vertaa aikaa, joka osallistujan tulkintojen suorittamiseen kuluu ennen tekoälymallin interventiota ja sen jälkeen, arvioiden, onko keskimääräinen tulkintaaika tapausta kohden lyhentynyt X minuutista ennen tekoälyä Y minuuttiin tekoälyn jälkeen.
|
Perustaso
|
Yhteistyökumppanit ja tutkijat
Tutkijat
- Opintojohtaja: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
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
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- XH-24-007
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
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 .