Étude pilote sur le Deep Learning in the Eye (IDLE)
5 janvier 2021 mis à jour par: Pieter Nelis, CRG UZ Brussel
Validation d'un algorithme d'apprentissage profond par transfert d'apprentissage pour la classification d'images dans plusieurs pathologies
L'apprentissage en profondeur vous permet de classer les images à l'aide d'un algorithme d'auto-apprentissage.
L'apprentissage par transfert s'appuie sur un algorithme d'auto-apprentissage existant pour permettre la classification d'images avec moins d'images.
Dans cette étude, cette technique sera appliquée à différentes modalités d'image dans différents syndromes.
Conception de l'étude rétrospective.
Aperçu de l'étude
Statut
Inconnue
Intervention / Traitement
Type d'étude
Observationnel
Inscription (Anticipé)
120
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
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 à 100 ans (Adulte, Adulte plus âgé)
Accepte les volontaires sains
Oui
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Sujets sains et non sains : extraire des données à partir d'images disponibles
La description
Critère d'intégration:
- Disponibilité des images, qui permettent la discrimination.
Critère d'exclusion:
- Pas de disponibilité de données claires sur la différenciation des maladies
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
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Pas de pathologie
|
|
|
Pathologie
|
Classification d'images à l'aide d'un algorithme d'apprentissage en profondeur
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Délai |
|---|---|
|
Validation de la classification des images par algorithme d'apprentissage par transfert
Délai: 1 an
|
1 an
|
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 (Anticipé)
1 février 2021
Achèvement primaire (Anticipé)
1 décembre 2021
Achèvement de l'étude (Anticipé)
1 décembre 2022
Dates d'inscription aux études
Première soumission
7 décembre 2020
Première soumission répondant aux critères de contrôle qualité
7 décembre 2020
Première publication (Réel)
11 décembre 2020
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
7 janvier 2021
Dernière mise à jour soumise répondant aux critères de contrôle qualité
5 janvier 2021
Dernière vérification
1 janvier 2021
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- IDLE1000
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
produit fabriqué et exporté des États-Unis.
Non
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 .