- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04952233
A mély tanulás alkalmazási értéke a nyaki spondylosis diagnosztizálásában
Az orvosok személyes tapasztalati megítéléséhez képest a mély tanulással gyorsabban, hatékonyabban és pontosabban lehet azonosítani valamit. A betegségek azonosítása és diagnosztizálása megtakarítja a klinikai és képalkotó orvosok energiáját, valamint a betegek egyénre szabott diagnózisát teszi lehetővé. klinikai sebészeti módszerek és a betegek prognózisának javítása.
Ez a tanulmány mély tanulási technológiát alkalmaz, a nyaki spondylosis esetek nagy adatain keresztül, hogy feltárja a mély tanulás alkalmazását. a nyaki spondylosis mesterséges intelligencia által támogatott diagnózisának szintje.
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
A nyaki spondylosis oka a nyaki porckorongok és csigolyaközi ízületek, valamint ezek másodlagos elváltozásai a szomszédos gerincvelőben, ideggyökerekben és csigolyákban, az artériában és más szöveti struktúrákban, amelyek a megfelelő klinikai tüneteket okozzák. A nyaki spondylosis gyakori és gyakori betegség a középkorúak és idősek körében. A nyaki spondylosis incidenciája 10 százalék a 30 év felettieknél, és magasabb az íróasztal mellett dolgozók körében.
A nyaki spondylosisnak két fajtája gyakori: a cervicalis spondyloticus radiculopathia és a cervicalis spondyloticus myelopathia. A kezelés elvei nagymértékben különböznek, és a kezelés utáni prognózis is eltérő. A precíz preoperatív képalkotás és klinikai diagnózis segít a műtét hatásának és a betegek prognózisának pontos becslésében.
Ezért a korai pontos diagnózis elérése a nyaki gerinc javítása A betegség gyógyító hatásának kulcsa. Általában mély tanulásnak nevezik, ez egyfajta mintaelemzési módszer, egyszerű és nemlineáris modulok kombinációján keresztül a többszintű "karaktertanulás" vagy "mondta tanulás" modellje minden modul minden rétegébe (eredeti bemeneti) adatok magasabb szintre emelése. dimenzió, absztraktabb reprezentáció, ha van elegendő ilyen transzformáció, A kezdeti "alacsony szintű" jellemzőreprezentáció átalakítható "magas szintű" jellemzőreprezentációvá, és elvégezhetők az olyan összetett tanulási feladatok, mint az osztályozás.
Az osztályozási feladatnál az osztályozás szempontjából fontos jellemzőket a rétegek számának növelésével felerősítjük, a nem releváns jellemzőket figyelmen kívül hagyjuk.
Jelenleg a fő kutatási módszerek közé tartoznak a konvolúciós neurális hálózatok (CNN), a többrétegű neuronokon alapuló önkódoló neurális hálózatok és a mély bizalmi hálózatok. Jelenleg a CNN-t elsősorban az orvosi képfelismerés területén használják.
Például AlexNet, Densenet, VGG16, Googlenet és így tovább. A mély tanulás motivációja olyan neurális hálózatok kiépítése, amelyek az emberi agyat utánozzák az analitikus tanuláshoz. Utánozza az emberi agy mechanizmusait az adatok, például képek, hangok és szövegek értelmezésére, és jelentős előrehaladást ért el számos olyan probléma megoldásában, amelyeket a hagyományos gépi tanulás nehéz megoldani.
A mély tanulási módszerek nagyon jónak bizonyultak a nagydimenziós adatok összetett struktúráinak felfedezésében.
Az orvosi és egészségügy területén a mesterséges intelligencia technológia fokozatosan megoldotta a különböző orvosi képek adatértelmezésének problémáját, több, a képek mögé „rejtett” információt fedezett fel, mint például röntgen, CT, MRI stb. fokozatosan valósítja meg egy konkrét eset felismerését, szűrését, diagnosztizálását, elérve a diagnózis szakértői szintjét.
A mesterséges intelligencia technológia alkalmazása ugyanakkor csökkentheti az orvosok terhelését, csökkentheti az orvosi téves diagnózisokat, javíthatja a diagnózis és a kezelés hatékonyságát.
Jelenleg a mély tanulást széles körben alkalmazzák különböző betegségek diagnosztizálására és előrejelzésére a szervezet különböző rendszereiben.
Hemke et al. gépi tanulási kutatást végzett kismedencei CT-képek manuális szegmentálása után, és megállapította, hogy a mélytanulási modell felhasználható a medenceüregben található különféle típusú szövetek automatikus felismerésére és szegmentálására, beleértve az izom-, csont-, zsír-, bőr alatti zsírszövetet stb. .
Koichiro Yasaka et al. [8] mély tanulási vizsgálatot végzett az ágyéki gerincen, és megállapította, hogy a mély tanulás felhasználható az ágyéki gerinc csontsűrűségének előrejelzésére és az oszteoporózis súlyosságának további értékelésére.
Spampinato et al. mély tanulási vizsgálatot végzett kézröntgen segítségével a csontkor előrejelzésére.
Ezért nagy jelentősége van a mély tanulásnak, egy feltörekvő analitikai technikának a nyaki CT-képek képalkotó jellemzőinek felismerésében. A kutatás jelentősége a következő:
A nyaki spondylosis pontos és hatékony preoperatív diagnosztizálásával elkerülhető a túlzott orvosi kezelés vagy a betegség elmulasztása vagy téves diagnózis miatti késése. A betegek számára személyre szabott diagnózis és értékelés érhető el, ami klinikailag segíti a kezelési stratégiák ésszerű meghatározását, valamint elősegíti a klinikai sebészeti módszerek kialakítását és a beteg prognózisának javítását.
Tanulmány típusa
Beiratkozás (Várható)
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: huishu yuan
- Telefonszám: 13521627288
- E-mail: chunjiewang17@126.com
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: chunjie wang
- Telefonszám: 13521627288
- E-mail: chunjiewang17@126.com
Tanulmányi helyek
-
-
Beijing
-
Beijing, Beijing, Kína, 010
- Toborzás
- Peking University Third Hospital
-
Kapcsolatba lépni:
- Huishu Yuan, Dr
- Telefonszám: 13521627288
- E-mail: huishuy@bjmu.edu.cn
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- A képalkotó vizsgálat előtt sebészeti kezelést nem végeztek. Képalkotó jelentés és klinikai diagnózis a nyaki spondylosisról a hátsó longitudinális szalag csontosodásával vagy anélkül.
- Kórházunk ortopédiai és sürgősségi osztályát képfelvétel előtt sebészi kezelés nélkül felkereső betegek nyaki képalkotó CT-n nem találtak nyilvánvaló eltérést.
Kizárási kritériumok:
- Műtét a képi adatgyűjtés előtt;
- Méhnyakrák, tuberkulózis és törés;
- A képadatok hiánya, a kép nem tiszta.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Egyéb
- Időperspektívák: Visszatekintő
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Hasonlítsa össze az AI és a klinikusok közötti konzisztenciát a nyaki CT jellemzőinek azonosításában (nyaki görbület, igazodás, csigolyaközi tér, porckorongsérv, a hátsó longitudinális szalag csontosodása, gerincszűkület)
Időkeret: 2019-2021
|
Hasonlítsa össze az AI és a klinikusok közötti konzisztenciát a nyaki CT jellemzőinek azonosításában (nyaki görbület, igazodás, csigolyaközi tér, porckorongsérv, a hátsó longitudinális szalag csontosodása, gerincszűkület)
|
2019-2021
|
Együttműködők és nyomozók
Szponzor
Nyomozók
- Tanulmányi szék: Huishu Yuan, Peking University Third Hospital
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Várható)
A tanulmány befejezése (Várható)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- M2020499
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .