Système de diagnostic par imagerie multimodale et d'aide à la décision pour l'échinococcose hépatique basé sur les images omiques et le macromodèle de vision
13 septembre 2024 mis à jour par: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
L'échinococcose hépatique (échinococcose hépatique) est une maladie zoonotique importante largement répandue dans les zones agricoles et pastorales du nord-ouest de la Chine.
La maladie peut être parasitaire dans n’importe quelle partie du corps humain et affecter plusieurs organes.
Dans les cas graves, les patients perdront la capacité de travailler.
À l'heure actuelle, la maladie est confrontée à des défis en termes de précision du diagnostic, d'identification de type spécifique, d'évaluation de l'activité préopératoire, de prédiction de récidive postopératoire et d'évaluation décisionnelle de l'indentation du tube en T.
Ce problème est particulièrement important dans les zones à forte incidence avec une répartition inégale des ressources médicales et une pénurie d'excellents médecins et cliniciens en imagerie.
Nos études précédentes ont démontré que l'utilisation de grands modèles visuels et d'algorithmes d'imagerie omique peut segmenter efficacement les lésions hépatiques échinocoques, extraire les caractéristiques clés et fournir aux cliniciens un diagnostic et des recommandations de traitement précis et fiables.
Nous pensons que sur la base de la transformation de différents modes d'imagerie médicale (tels que l'IRM, la tomodensitométrie et l'échographie) basée sur un ensemble de données multicentriques plus large, l'objectif d'une identification, d'un diagnostic, d'une aide à la décision chirurgicale efficace et d'une prédiction précise postopératoire de l'hépatique une échinococcose peut être atteinte.
Nous utiliserons des solutions technologiques d'intelligence artificielle telles que le réseau de génération d'adversaires, le grand modèle de vision, l'omique d'image et la fusion au niveau décisionnel, en tenant compte de l'efficacité du diagnostic et du traitement, de l'automatisation du diagnostic et du traitement et de l'interprétabilité des résultats du diagnostic, pour construire un diagnostic et un pronostic complets et précis. système pour l'échinococcose hépatique
Aperçu de l'étude
Statut
Complété
Les conditions
Intervention / Traitement
Description détaillée
- Reconnaissance automatique/Diagnostic efficace de l'échinococcose hépatique : Développement d'un outil de diagnostic d'IA basé sur l'apprentissage profond visant à améliorer la différenciation de l'échinococcose hépatique d'autres maladies hépatiques telles que les kystes hépatiques, les abcès hépatiques et autres lésions occupant l'espace kystique hépatique. L'outil utilisera des réseaux antagonistes génératifs et des algorithmes d'auto-attention polarisés pour identifier et classer efficacement l'échinococcose hépatique afin de compenser les ressources médicales inégales et la pénurie de médecins professionnels dans la région occidentale.
- Diagnostic différentiel de types spécifiques d'échinococcose hépatique : explorer l'utilisation de l'imagerie multimodale combinée à des méthodes d'apprentissage profond pour distinguer le type CL, le type CE1 et le kyste hépatique de l'échinococcose hépatique. Cette recherche appliquera l’algorithme de segmentation d’images médicales DINOv2 et la technologie d’apprentissage profond pour identifier avec précision les cas avec des données complexes et relativement inégalement réparties.
- Prédiction de la récidive postopératoire de l'échinococcose hépatique : l'apprentissage par transfert et l'algorithme Deep-SVDD sont utilisés pour prédire le risque de récidive postopératoire de l'échinococcose hépatique, fournissant ainsi une solution efficace pour les ensembles de données de taille d'échantillon déséquilibrés. De plus, en intégrant les données sur la plateforme médicale Big Data, un modèle de prédiction des récidives postopératoires basé sur l’IA a été établi.
Type d'étude
Observationnel
Inscription (Réel)
1000
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.
Lieux d'étude
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, Chine
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
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
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Non
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Dans cette étude, sur la base des données d'images de patients atteints d'hydatique hépatique confirmée par une pathologie après une intervention chirurgicale, une technologie d'apprentissage profond a été utilisée pour distinguer l'hydatique hépatique des lésions de la station kystique hépatique telles que le kyste du foie et l'abcès du foie.
La description
Critère d'intégration:
- Patients avec des images originales complètes aux formats dcim CT, échographie et IRM
- Patients présentant une hydation hépatique confirmée par une pathologie après opération
- Patients avec préservation complète des données cliniques
Critère d'exclusion:
- Patients avec des données d'imagerie de mauvaise qualité
- Patients avec des données cliniques incomplètes
- Patients hydatiques hépatiques CE4 et CE5 diagnostiqués par imagerie seule sans traitement chirurgical
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 |
|---|---|
|
Groupe d'observation
Dans cette étude, les données d'images préopératoires de patients atteints d'hydatique hépatique ont été prises comme objet de recherche.
|
Un réseau neuronal artificiel a été construit pour identifier automatiquement l'hydatique du foie à l'aide d'une technologie d'apprentissage en profondeur
|
|
Groupe de contrôle
Le kyste hépatique, l'abcès hépatique et le foie normal constituaient le groupe témoin.
|
Un réseau neuronal artificiel a été construit pour identifier automatiquement l'hydatique du foie à l'aide d'une technologie d'apprentissage en profondeur
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
courbe roc
Délai: 2024.7-2026.3
|
Courbe caractéristique de fonctionnement du récepteur
|
2024.7-2026.3
|
|
AUC
Délai: 2024.7-2026.3
|
Aire sous la courbe ROC
|
2024.7-2026.3
|
|
PPV
Délai: 2024.7-2026.3
|
Valeur prédictive positive
|
2024.7-2026.3
|
|
VAN
Délai: 2024.7-2026.3
|
Valeur prédictive négative
|
2024.7-2026.3
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Les enquêteurs
- Directeur d'études: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
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)
30 septembre 2023
Achèvement primaire (Réel)
12 septembre 2024
Achèvement de l'étude (Réel)
12 septembre 2024
Dates d'inscription aux études
Première soumission
2 août 2024
Première soumission répondant aux critères de contrôle qualité
2 août 2024
Première publication (Réel)
6 août 2024
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
19 septembre 2024
Dernière mise à jour soumise répondant aux critères de contrôle qualité
13 septembre 2024
Dernière vérification
1 septembre 2024
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- SYSKY-2024-517-01
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Description du régime IPD
Les données d'images médicales pertinentes impliquent la vie privée des patients et le groupe de recherche a refusé de les partager.
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 .