Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model

17 septembre 2026 mis à jour par: Ibrahim Mohamed Ibrahim, Assiut University

AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model: A Comparative Diagnostic Accuracy Study

Chest X-rays are widely used to detect thoracic and lung conditions, but reviewing high volumes of radiographs can lead to workload strain and variation between interpreters. Artificial intelligence (AI), particularly deep learning neural networks like DenseNet-121, has shown strong potential to assist clinicians with automated image interpretation. However, AI models trained on large international datasets, such as CheXpert, may perform differently across distinct patient populations due to variations in imaging technique, patient demographics, and disease presentation.

The primary purpose of this study is to compare the diagnostic accuracy of a DenseNet-121 model trained or fine-tuned on local data against a DenseNet-121 model pretrained on the CheXpert dataset for identifying thoracic pathologies. Both models will evaluate de-identified frontal chest radiographs from adult patients. Model predictions will be compared against a reference standard established by expert radiologist consensus, with discordant findings resolved using chest computed tomography (CT). Findings will evaluate whether local model adaptation improves diagnostic precision and workflow efficiency in clinical settings.

Aperçu de l'étude

Statut

Pas encore de recrutement

Les conditions

Type d'étude

Observationnel

Inscription (Estimé)

100

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

18 ans et plus (Adulte, Adulte plus âgé)

Accepte les volontaires sains

N/A

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

The study population comprises adult patients aged 18 years and older who undergo frontal chest radiography within institutional radiology departments. Eligible subjects have de-identified, diagnostic-quality frontal chest X-ray images with available reference diagnostic labels verified through expert radiologist consensus and chest CT adjudication. Pediatric cases, non-diagnostic images, incomplete metadata, and duplicate scans are excluded.

La description

Inclusion Criteria:

  • Adult patients aged 18 years or older.
  • Undergoing frontal chest radiography.
  • Diagnostic-quality frontal chest radiographs.
  • Availability of reference diagnostic labels (verified by expert radiologist consensus or chest CT).

Exclusion Criteria:

  • Pediatric patients (under 18 years of age).
  • Non-diagnostic or poor-quality chest radiographs.
  • Incomplete clinical or imaging metadata.
  • Duplicate radiographic images or repeat patient entries.

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Modèles d'observation: COHORT
  • Perspectives temporelles: CROSS_SECTIONAL

Cohortes et interventions

Groupe / Cohorte
Adult Frontal Chest Radiography Cohort

This cohort includes adult patients aged 18 years and older who undergo diagnostic-quality frontal chest radiography with available reference diagnostic labels. De-identified chest radiographs from this group are evaluated by two deep learning architectures: a study-trained/fine-tuned DenseNet-121 convolutional neural network and a CheXpert-pretrained DenseNet-121 model. Model predictions are evaluated against reference standards derived from expert radiologist consensus, with discordant cases adjudicated via chest computed tomography (CT).

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Area Under the Receiver Operating Characteristic Curve (AUROC)
Délai: Baseline

AUROC will be calculated to assess and compare the diagnostic performance of the study-trained DenseNet-121 model versus the CheXpert-pretrained DenseNet-121 model in detecting thoracic pathologies on frontal chest radiographs. AI predictions will be compared against the reference standard of expert radiologist consensus, with discordant findings adjudicated by chest CT. AUROC values range from 0.5 (no discrimination) to 1.0 (perfect discrimination).

Baseline

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Estimé)

1 octobre 2026

Achèvement primaire (Estimé)

1 octobre 2027

Achèvement de l'étude (Estimé)

1 novembre 2027

Dates d'inscription aux études

Première soumission

17 septembre 2026

Première soumission répondant aux critères de contrôle qualité

17 septembre 2026

Première publication (Réel)

22 septembre 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

22 septembre 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

17 septembre 2026

Dernière vérification

1 septembre 2026

Plus d'information

Termes liés à cette étude

Autres numéros d'identification d'étude

  • AI Chest X-Ray Assessment

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .