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.

Détection en temps réel basée sur l'IA des lésions de l'endométriose

27 janvier 2026 mis à jour par: University Hospital Tuebingen

Développement d'approches basées sur l'IA pour la détection automatisée en temps réel des lésions de l'endométriose à l'aide de données d'image et de vidéo endoscopiques

Développement d'approches basées sur l'IA pour la détection automatisée en temps réel des lésions de l'endométriose en utilisant l'image endoscopique et le matériel vidéo.

Aperçu de l'étude

Statut

Complété

Les conditions

Description détaillée

Dans le domaine de l'endométriose, l'intelligence artificielle (IA) a été utilisée pour les diagnostics ou même les prédictions de l'endométriose avant confirmation par laparoscopie. Le potentiel significatif de l'IA en chirurgie mini-invasive réside dans l'analyse automatique de l'image, en aidant à la détection de structures ou d'anomalies basées sur des données d'image. Cela offre le potentiel de détecter les lésions de l'endométriose pendant la laparoscopie, quelle que soit l'indication. La formation et la création de tels modèles d'IA sont effectués à l'aide d'algorithmes d'apprentissage automatique basés sur des données annotées. Ces données de formation sont constituées de données d'image avec des annotations au niveau du pixel du contenu que le modèle doit détecter. Les algorithmes d'apprentissage en profondeur (DL) se sont révélés efficaces dans l'analyse d'image, en s'appuyant sur des réseaux de neurones pour les remplir de manière autonome des critères de décision les plus critiques pour une analyse correcte du contenu de l'image. Le modèle d'IA formé peut ensuite être appliqué à des données inconnues, fournissant la probabilité de détecter une structure pour chaque pixel. Les sorties visuelles possibles du modèle incluent la découverte du contenu ou la segmentation détectée, en attribuant un contenu prédéfini à chaque pixel. La qualité du modèle dépend essentiellement d'un nombre suffisamment important et d'une qualité des données de formation. La qualité inclut une annotation correcte des données pour empêcher le modèle d'apprendre les erreurs. La diversification des données d'image en incluant des exemples négatifs dans les ensembles de données de formation et de test est tout aussi important. Le score F1 est utilisé comme mesure de la qualité du modèle, combinant la précision (P) avec le rappel (R) à une valeur comprise entre 0 et 1, sur la base d'un ensemble de données de test annoté.

L'objectif est d'atteindre un score F1 élevé grâce à la sélection des données de formation et à un algorithme DL approprié. Des paramètres comme l'optimisation de la préparation d'images ou les paramètres d'algorithme DL tels que la sélection de différents réseaux de neurones peuvent améliorer le score F1. Le nombre de données de formation requis pour un bon modèle d'IA dépend de la complexité de la question et du nombre de contenus à détecter, car le modèle ne peut reconnaître que le contenu appris. Il est possible d'ajuster itérativement la sélection des données de formation pour différentes questions en fonction des scores F1 obtenus après chaque formation et test. Si nécessaire, le nombre de données de formation peut être augmenté et les données d'image problématiques, telles que les annotations manquantes, peuvent être identifiées et corrigées en fonction des résultats.

Type d'étude

Observationnel

Inscription (Réel)

26

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

      • Tübingen, Allemagne, 72076
        • University Hospital Tuebingen, Department of Women's Health

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

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon de probabilité

Population étudiée

Les patients qui se présentent à la clinique des femmes de l'Université dans le cadre de la clinique ambulatoire du centre d'endométriose. Les femmes ayant un diagnostic suspecté ou un diagnostic confirmé d'endométriose qui ont une indication d'évaluation laparoscopique sont incluses.

La description

Critères d'inclusion:

  • Âge ≥ 18 ans
  • Consentement écrit après explication
  • Indication du traitement chirurgical de l'endométriose

Critères d'exclusion:

  • Manque attendu de conformité ou d'incapacité du patient du patient à comprendre l'objectif de l'essai clinique
  • Absence de consentement du patient
  • Tumeurs malignes

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
Endométriose suspectée

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Développement et validation d'un modèle d'IA pour la détection automatisée en temps réel des lésions de l'endométriose
Délai: Pendant le temps de l'étude (environ 1 an)
  • Basé sur des données d'image et de vidéo laparoscopiques.
  • Évaluation de la précision du modèle à l'aide du score F1, avec une valeur cible ≥ 0,7.
Pendant le temps de l'étude (environ 1 an)
Qualité de l'anonymisation vidéo
Délai: Pendant le temps de l'étude (environ 1 an)
  • Évaluation de l'efficacité du modèle "Inout" AI V0.2 pour identifier et supprimer les données d'image non pertinentes.
  • Assurance qualité grâce à l'examen manuel des données anonymisées.

Les vidéos sont corrélées avec les métadonnées anonymisées suivantes, qui sont également transférées à KS

  • Groupe d'âge du patient (18-25; 25-30; 35-40,…)
  • Classe de poids du patient (IMC <17,5; 17,5-19;> 19-25;> 25-30;> 30)
  • Type de chirurgie (laparoscopie avec ou sans traitement de l'endométriose)
  • Durée totale de l'opération
  • Complications pendant l'opération (oui / non)
  • Dispositifs endoscopiques utilisés, en particulier la caméra
  • Résultats pathologiques existants liés à l'endométriose
Pendant le temps de l'étude (environ 1 an)
Création d'un ensemble de données d'image annoté de haute qualité pour la formation IA
Délai: Pendant le temps de l'étude (environ 1 an)
  • Cible: 80 à 90% des images sélectionnées devraient contenir des lésions d'endométriose, les échantillons négatifs restants.
  • Annotation effectuée par des professionnels de la santé

Le personnel cliniquement formé à l'hôpital universitaire Tübingen (UKT) sélectionne 300 images JPEG variées de chaque vidéo anonymisée pour l'annotation. L'objectif est d'inclure 80% à 90% des images présentant des lésions de l'endométriose, le reste représentant d'autres anomalies tissulaires ou aucune lésion.

Pendant le temps de l'étude (environ 1 an)

Collaborateurs et enquêteurs

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

10 octobre 2023

Achèvement primaire (Réel)

28 janvier 2025

Achèvement de l'étude (Réel)

30 juin 2025

Dates d'inscription aux études

Première soumission

17 janvier 2025

Première soumission répondant aux critères de contrôle qualité

6 mars 2025

Première publication (Réel)

12 mars 2025

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

29 janvier 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

27 janvier 2026

Dernière vérification

1 janvier 2026

Plus d'information

Termes liés à cette étude

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 .

S'abonner