Génération réaliste d'images de cellules HEp-2 à l'aide de modèles de diffusion latente : un test de Turing visuel multicentrique
Évaluation du réalisme des images de cellules ANA HEp-2 synthétisées à l'aide de modèles de diffusion latente : un test de Turing visuel multicentrique
L'objectif de cette étude observationnelle prospective est d'examiner rigoureusement la faisabilité et l'efficacité de l'utilisation de modèles de diffusion latente pour l'augmentation des données dans les images d'immunofluorescence de cellules Hep-2 d'anticorps anti-nucléaires (ANA). La principale question à laquelle elle vise à répondre est la suivante :
L’application de tels modèles peut-elle potentiellement améliorer la qualité des données, accroître la diversité des échantillons ou améliorer la précision et l’efficacité des processus analytiques ultérieurs (comme le diagnostic et la classification des maladies) lorsqu’ils sont utilisés avec des images liées à l’ANA ?
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Un problème fondamental de la recherche biomédicale est le faible nombre d’observations disponibles, principalement dû au manque d’échantillons biologiques disponibles, à des coûts prohibitifs ou à des raisons éthiques. L'augmentation de quelques observations réelles avec des échantillons générés in silico pourrait conduire à des résultats d'analyse plus robustes et à un taux de reproductibilité plus élevé. Ici, les enquêteurs proposent d'utiliser l'apprentissage non supervisé avec des modèles de diffusion latente pour la génération réaliste de données d'image ANA-IIF.
Les enquêteurs émettent l'hypothèse que la génération d'images ANA-IIF sera réaliste s'il est difficile de les différencier (fausses) des réelles (vraies). Pour tester cette hypothèse, les enquêteurs présentent un test visuel multicentrique de Turing (https://turing.rednoble.net/) afin d'évaluer la qualité des (fausses) images générées.
Cette configuration expérimentale permet aux enquêteurs de valider la qualité globale des images ANA-IIF générées, qui peuvent ensuite être utilisées pour (1) former des cytopathologistes à des fins éducatives et (2) générer des échantillons réalistes pour former des réseaux profonds avec des données volumineuses.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Lieux d'étude
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Chine, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Provenant d'institutions médicales réputées
- Posséder les certifications et qualifications pertinentes
- Avoir plus d'un an d'expérience dans l'interprétation des profils d'anticorps antinucléaires (ANA) en laboratoire
Critère d'exclusion:
- Manque de certification et de qualifications professionnelles pertinentes
- Sans expérience dans l'interprétation des modèles ANA
- Refus d'accepter les règles et le consentement éclairé du test visuel de Turing
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
experts
avec plus de 20 ans d'expérience en lecture ANA-IIF
|
déterminer le type de modèle ANA avec ou sans référence aux résultats de la sortie du modèle IA.
|
|
cytopathologistes juniors
moins de 5 ans d'expérience médicale universitaire
|
déterminer le type de modèle ANA avec ou sans référence aux résultats de la sortie du modèle IA.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Le réalisme des images synthétisées par les modèles de diffusion
Délai: Référence
|
Les enquêteurs ont mené une étude en utilisant la méthode de test visuel de Turing, en mesurant au moyen d'un format de questionnaire, et en évaluant les résultats de mesure à l'aide d'une échelle de Likert à 5 points. L'échelle de Likert en 5 points évalue les opinions des participants sur la qualité des images à travers cinq options de réponse : Réel, Très semblable, Incertain, Pas tout à fait semblable, Faux. Il calcule les scores en attribuant des nombres (par exemple, 5 à 1) à ces options, résumant les scores de chaque participant. Les résultats sont évalués en analysant la distribution des scores, y compris les scores moyens, et en évaluant leur fiabilité et leur validité. De plus, l'enquêteur a calculé une gamme de paramètres utilisés pour l'évaluation du modèle interne, notamment : la précision, le rappel, le score F1 et la précision moyenne moyenne (mAP). |
Référence
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
L'impact des résultats du modèle d'IA sur les participants
Délai: Référence
|
L'enquêteur a évalué l'évolution du taux d'exactitude des interprétations des participants avant et après avoir été assisté par le modèle d'IA, les enquêteurs mèneront une analyse comparative.
De plus, l'enquêteur calcule le coefficient d'accord Kappa entre les interprétations humaines et le modèle, et évalue s'il existe des différences de précision entre les cytopathologistes ayant différents niveaux d'expérience lorsqu'ils sont assistés par l'IA.
|
Référence
|
|
Le temps nécessaire à l'interprétation du modèle ANA
Délai: Référence
|
L'enquêteur compare le temps mis par le participant pour terminer les interprétations avant et après l'intervention du modèle d'IA, évaluant s'il y a une réduction du temps d'interprétation moyen par cas, de X minutes d'assistance pré-IA à Y minutes après l'IA.
|
Référence
|
Collaborateurs et enquêteurs
Les enquêteurs
- Directeur d'études: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publications et liens utiles
Publications générales
- 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.
Liens utiles
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- XH-24-007
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
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 .