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

Mély tanulás a retinoblasztóma kimutatásában és monitorozásában.

2022. március 24. frissítette: Wenbin Wei, Beijing Tongren Hospital

Deep Learning számítógéppel segített érzékelőrendszer a retinoblasztóma kimutatására és megfigyelésére.

A retinoblasztóma a leggyakoribb gyermekkori szemrák. A szemmegőrző terápiák a retinoblasztóma regressziójának és kiújulásának rutinszerű monitorozását igénylik a megfelelő kezelés irányításához. Jelen tanulmányban egy mély tanulási algoritmust dolgozunk ki, amely egyszerre képes azonosítani a retinoblasztóma daganatokat a Retcam képeken, és megkülönböztetni az aktív és inaktív retinoblasztóma daganatokat. Ezt az algoritmust egy előretekintően összegyűjtött adatkészleten keresztül ellenőrizzük.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Beavatkozás / kezelés

Részletes leírás

A retinoblasztóma, a gyermekkor leggyakoribb szemrákja, 15 000 közül 1-18 000 élveszületést érint. Kínában a második legtöbb retinoblasztómás beteg a világon. Kínában körülbelül 15 éve széles körben alkalmazzák a szemmegőrző terápiákat. A szemmegőrző terápiák a retinoblasztóma regressziójának és kiújulásának rutinszerű monitorozását igénylik a megfelelő kezelés irányításához. A szakképzett szemészek nagy része azonban több egészségügyi központban összpontosul. A Retcam vizsgálaton alapuló mély tanulás, amely képes azonosítani a retinoblasztómát, csökkenti a helyi kórházak szűrési pontosságát és csökkenti a monitorozás szóterheltségét. A jelenlegi tanulmányban egy mély tanulási algoritmust fejlesztettek ki, amely egyszerre képes azonosítani a retinoblasztóma daganatokat a Retcam képeken, és megkülönböztetni az aktív és inaktív retinoblasztóma daganatokat. Ezt az algoritmust egy előretekintően összegyűjtött adatkészleten keresztül ellenőrizzük.

Tanulmány típusa

Megfigyelő

Beiratkozás (Várható)

200

Kapcsolatok és helyek

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

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

  • Kína
    • Beijing
      • Beijing, Beijing, Kína, 100730
        • Toborzás
        • Wen-Bin Wei

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

1 másodperc (GYERMEK)

Egészséges önkénteseket fogad

Nem

Tanulmányozható nemek

Összes

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A retinoblasztómás betegek standard orvosi kezelésen esnek át.

Leírás

Bevételi kritériumok:

  • A retinoblasztómás betegek standard orvosi kezelésen esnek át.

Kizárási kritériumok:

  • A kezelők olyan képeket azonosítottak, amelyek nem értékelhetők a helyes diagnózishoz olyan okok miatt, mint például az elmosódottság és a defókusz, és kizárták őket 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

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Retinoblasztóma betegek
Retinoblasztómás betegek, akik a pekingi Tongren kórházban szokásos orvosi ellátáson esnek át. A betegek névtelen képét idős szemészek gyűjtik össze és címkézik fel.
Diagnosztikai vizsgálat: Mély tanulási algoritmus
Egy korábban kifejlesztett mély tanulási algoritmust alkalmaztak a retinoblasztóma daganatok azonosítására Retcam képeken, és megkülönböztetik az aktív és inaktív retinoblasztóma daganatokat. Két különböző vezető szemész döntése lenne az arany standard.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mélytanulási algoritmus diagnosztikai pontossága
Időkeret: 1 hét
Ennek a mélytanulási algoritmusnak a diagnosztikai pontossága az igaz pozitív és a valódi negatív aránya minden értékelt esetben
1 hét

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Beijing Tongren Hospital

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)

2020. március 1.

Elsődleges befejezés (VÁRHATÓ)

2022. május 1.

A tanulmány befejezése (VÁRHATÓ)

2022. október 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2022. március 24.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2022. március 24.

Első közzététel (TÉNYLEGES)

2022. április 1.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (TÉNYLEGES)

2022. április 1.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2022. március 24.

Utolsó ellenőrzés

2022. március 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • AI in retinoblastoma

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. .

Iratkozz fel