Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Mély tanulási rendszer fejlesztése és validálása többszörös szemfenéki betegségekre retinális képek felhasználásával

2019. december 24. frissítette: Haotian Lin, Sun Yat-sen University

Mély tanulási rendszer fejlesztése és validálása többszörös szemfenéki betegségekre retinális képek felhasználásával: többközpontú prospektív tanulmány

A retinaképek mind a szemfenéki, mind a szisztémás állapotokat (cukorbetegség és szív- és érrendszeri betegségek) tükrözhetik, és elsősorban az orvosi mesterséges intelligencia (AI) algoritmusok képzésére használhatók fel klinikai jelentőségű és könnyen beszerezhető előnyei miatt. Itt a kutatók egyetlen hálózati modellt dolgoztak ki, amely több szemfenéki betegség jellemzőit képes bányászni, amelyet rengeteg szemfenéki képpel képeztek, amelyek mindegyikében egy vagy több betegségcímkét (ha van) tartalmaztak. A modell teljesítményét a hazai és a nemzetközi szemészek teljesítményével hasonlították össze. A modellt tovább tesztelték különböző kameratípusokkal rendelkező adatkészletekkel, és három külső adatkészlettel validálták, amelyeket azokról a klinikai helyszínekről gyűjtöttek, ahol a modellt alkalmazni fogják.

A tanulmány áttekintése

Állapot

Ismeretlen

Körülmények

Beavatkozás / kezelés

Tanulmány típusa

Megfigyelő

Beiratkozás (Várható)

300000

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

  • Kína
    • Guangdong
      • Guangzhou, Guangdong, Kína, 510060
        • Toborzás
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kapcsolatba lépni:
        • Kutatásvezető:
          • Haotian Lin, Ph.D

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Gyermek
  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Tanulmányozható nemek

Összes

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

A retinaképeket különböző egészségügyi intézményekből gyűjtötték Kínából és a világ más országaiból.

Leírás

Bevételi kritériumok:

  • A szemfenéki képek minőségének klinikailag elfogadhatónak kell lennie. A szemfenéki képterület több mint 80%-a, beleértve a négy fő régiót (optikai lemez, makula, felső és alsó retina érívek), könnyen leolvasható és megkülönböztethető.

Kizárási kritériumok:

  • A fényszivárgást (a terület 30%-ánál nagyobb), a lencsékből származó foltok vagy foltok, valamint a túlexponált képeket kizártuk a további elemzésből.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

  • Megfigyelési modellek: Egyéb
  • Időperspektívák: Egyéb

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Képzési adatkészlet
Kórházakból és több szűrési helyszínről gyűjtött retinaképek Kína-szerte
Érvényesítési adatkészlet
A retina képei elkülönítve az edzési adatkészlettől
Egyéb: diagnosztikai
A képzési adatkészletet a mély tanulási modell betanításához használtuk, amelyet másik két adatkészlet validált és tesztelt.
Adatkészlet tesztelése
A kórházakból és a szembetegségek szűrési helyeiről gyűjtött retinaképek teljesen eltérnek a képzési adatkészlettől
Egyéb: diagnosztikai
A képzési adatkészletet a mély tanulási modell betanításához használtuk, amelyet másik két adatkészlet validált és tesztelt.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mélytanulási rendszer vevő működési jelleggörbéje alatti terület
Időkeret: alapvonal
A kutatók kiszámítják a mély tanulási rendszer vevő működési jelleggörbéje alatti területet, és összehasonlítják ezt a mutatót a mély tanulási rendszer és az emberi doktorok között.
alapvonal

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mély tanulási rendszer érzékenysége
Időkeret: alapvonal
A kutatók kiszámítják a mély tanulási rendszer érzékenységét, és összehasonlítják ezt az indexet a mély tanulási rendszer és az emberi orvosok között.
alapvonal
A mély tanulási rendszer sajátosságai
Időkeret: alapvonal
A kutatók kiszámítják a mély tanulási rendszer sajátosságait, és összehasonlítják ezt az indexet a mély tanulási rendszer és az emberi orvosok között.
alapvonal

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Sun Yat-sen University

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

Általános kiadványok

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2014. január 1.

Elsődleges befejezés (Várható)

2020. február 1.

A tanulmány befejezése (Várható)

2020. május 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2019. december 23.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2019. december 24.

Első közzététel (Tényleges)

2019. december 30.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2019. december 30.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2019. december 24.

Utolsó ellenőrzés

2019. december 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • CCPMOH2019- China8

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

Nem

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Klinikai vizsgálatok a Szemészeti rendellenesség

Klinikai vizsgálatok a diagnosztikai

Keressen hasonló próbaverziókban

Szponzorok és közreműködők

Egészségi állapot

Kábítószer-beavatkozások

CROs by country

CROs in Angola

Körülmények

Ritka betegségek

Kábítószer-beavatkozások

Táplálék-kiegészítők

Szponzor / közreműködők

Helyek

3
Iratkozz fel