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.

Deep Learning dans la détection et la surveillance du rétinoblastome.

24 mars 2022 mis à jour par: Wenbin Wei, Beijing Tongren Hospital

Deep Learning Système de détection assistée par ordinateur pour la détection et la surveillance du rétinoblastome.

Le rétinoblastome est le cancer de l'œil le plus fréquent chez l'enfant. Les thérapies préservant l'œil nécessitent une surveillance de routine de la régression et de la récidive du rétinoblastome pour guider le traitement correspondant. Dans la présente étude, nous développons un algorithme d'apprentissage en profondeur qui peut identifier simultanément les tumeurs du rétinoblastome sur les images Retcam et distinguer les tumeurs du rétinoblastome actives et inactives. Cet algorithme sera validé grâce à un ensemble de données collectées de manière prospective.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Description détaillée

Le rétinoblastome, le cancer de l'œil le plus répandu chez l'enfant, touche 1 naissance sur 15 000 à 1 sur 18 000 naissances vivantes. La Chine compte le deuxième plus grand nombre de patients atteints de rétinoblastome au monde. Les thérapies de préservation des yeux sont largement utilisées en Chine depuis environ 15 ans. Les thérapies préservant l'œil nécessitent une surveillance de routine de la régression et de la récidive du rétinoblastome pour guider le traitement correspondant. Cependant, la majeure partie des ophtalmologistes qualifiés est concentrée dans plusieurs centres médicaux. L'apprentissage en profondeur basé sur l'examen Retcam qui peut identifier le rétinoblastome réduira la précision du dépistage des hôpitaux locaux et réduira la charge de mots de surveillance. Dans la présente étude, un algorithme d'apprentissage en profondeur a été développé pour identifier simultanément les tumeurs du rétinoblastome sur les images Retcam et distinguer les tumeurs du rétinoblastome actives et inactives. Cet algorithme sera validé grâce à un ensemble de données collectées de manière prospective.

Type d'étude

Observationnel

Inscription (Anticipé)

200

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.

Coordonnées de l'étude

Sauvegarde des contacts de l'étude

Lieux d'étude

  • Chine
    • Beijing
      • Beijing, Beijing, Chine, 100730
        • Recrutement
        • Wen-Bin Wei

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

1 seconde à 5 ans (ENFANT)

Accepte les volontaires sains

Non

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Les patients atteints de rétinoblastome subissent une prise en charge médicale standard.

La description

Critère d'intégration:

  • Les patients atteints de rétinoblastome subissent une prise en charge médicale standard.

Critère d'exclusion:

  • Les opérateurs ont identifié des images non évaluables pour un diagnostic correct, pour des raisons telles que le flou et la défocalisation, et les ont exclues d'une analyse plus approfondie.

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
Patients atteints de rétinoblastome
Patients atteints de rétinoblastome qui reçoivent des soins médicaux standard à l'hôpital de Pékin Tongren. L'image anonyme de ces patients sera prospectivement collectée et labellisée par des ophtalmologistes seniors.
Test diagnostique: Algorisme d'apprentissage profond
Un algorithme d'apprentissage en profondeur qui a été développé précédemment serait appliqué pour identifier les tumeurs du rétinoblastome sur les images Retcam et faire la distinction entre les tumeurs du rétinoblastome actives et inactives. La décision de deux ophtalmologistes seniors différents serait l'étalon-or.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Précision du diagnostic de l'algorithme d'apprentissage profond
Délai: 1 semaine
La précision diagnostique de cet algorithme d'apprentissage en profondeur est la proportion de vrais positifs et de vrais négatifs dans tous les cas évalués
1 semaine

Collaborateurs et enquêteurs

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

Parrainer

Beijing Tongren Hospital

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 (RÉEL)

1 mars 2020

Achèvement primaire (ANTICIPÉ)

1 mai 2022

Achèvement de l'étude (ANTICIPÉ)

1 octobre 2022

Dates d'inscription aux études

Première soumission

24 mars 2022

Première soumission répondant aux critères de contrôle qualité

24 mars 2022

Première publication (RÉEL)

1 avril 2022

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (RÉEL)

1 avril 2022

Dernière mise à jour soumise répondant aux critères de contrôle qualité

24 mars 2022

Dernière vérification

1 mars 2022

Plus d'information

Termes liés à cette étude

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • AI in retinoblastoma

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

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 .

S'abonner