- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06873373
Détection en temps réel basée sur l'IA des lésions de l'endométriose
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
Aperçu de l'étude
Statut
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
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
-
Tübingen, Allemagne, 72076
- University Hospital Tuebingen, Department of Women's Health
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
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
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)
|
|
Pendant le temps de l'étude (environ 1 an)
|
|
Qualité de l'anonymisation vidéo
Délai: Pendant le temps de l'étude (environ 1 an)
|
Les vidéos sont corrélées avec les métadonnées anonymisées suivantes, qui sont également transférées à KS
|
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)
|
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
Parrainer
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
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
- MT_STORZ federated learning
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
produit fabriqué et exporté des États-Unis.
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 .