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

Mélytanulás által támogatott ultrahang diagnosztika és a herefüggelék torziójának lokalizációja

2025. december 24. frissítette: Ying Jiang

Mesterséges intelligencia által támogatott ultrahangos diagnosztika és a herefüggelék torziójának lokalizációja: Többcentrikus retrospektív validációs vizsgálat

A primer központból és hat másik al-centrumból retrospektíven gyűjtötték össze az ultrahangos adatokat. A klinikai diagnosztikai eredményekkel kombinálva az adatcímkézést kiterjedt klinikai tapasztalattal rendelkező orvosok végezték el.

Ebben a tanulmányban a YOLOv11-t alkalmazták észlelési hálózatként, amelyet integráltak a konvolúciós figyelemmechanizmussal (Spatial Convolutional Block Attention Module, azaz Spatial CBAM) és az önfigyelem-mechanizmussal (pl. Attention Convolution Mixer, ACMix). A primer központ adatkészletét felosztották képzési, validációs és teszt részhalmazokra, amelyeken a modellt rendre betanították, validálták és tesztelték; további validációt végeztek az al-centrum adatkészletén.Eközben négy orvost jelöltek ki az al-centrumok ultrahangos adatainak értelmezésére két diagnosztikai módszerrel – független diagnózis és mesterséges intelligencia (MI) által támogatott diagnózis –, és tovább összehasonlították e két megközelítés diagnosztikai pontosságát.Az elsődleges központ képzési halmazában szereplő betegek kezelési módszereinek összegyűjtésével és tanulásával, az al-centrum adatkészletében szereplő betegek kezelési módszereinek előrejelzésével, valamint az MI által előre jelzett műtétek arányának összehasonlításával a tényleges műtétek arányával igazolták a modell hatékonyságát.

A tanulmány áttekintése

Állapot

Még nincs toborzás

Részletes leírás

Az ultrahangos adatokat retrospektíven gyűjtötték össze az elsődleges központból és hat másik al-központból. A klinikai diagnosztikai eredményekkel kombinálva az adatcímkézést tapasztalt klinikai gyakorlattal rendelkező orvosok végezték el.

Ebben a tanulmányban az YOLOv11-t alkalmazták detektáló hálózatként, amelyet integráltak a konvolúciós figyelmi mechanizmussal (Spatial Convolutional Block Attention Module, azaz Spatial CBAM) és az önfigyelmi mechanizmussal (pl. Attention Convolution Mixer, ACMix). Az elsődleges központ adatkészletét felosztották tanító, validációs és teszt részhalmazokra, amelyeken a modellt rendre betanították, validálták és tesztelték; további validációt végeztek az al-központ adatkészletén.Eközben négy orvost jelöltek ki az al-központok ultrahangos adatainak értelmezésére két diagnosztikai módszerrel - független diagnózis és mesterséges intelligencia (MI) által támogatott diagnózis -, és e két megközelítés diagnosztikai pontosságát tovább összehasonlították.Az elsődleges központ tanító halmazában lévő betegek kezelési módszereinek összegyűjtésével és tanulásával, az al-központ adatkészletében lévő betegek kezelési módszereinek előrejelzésével, valamint az MI által előrejelzett műtétek arányának összehasonlításával a tényleges műtétek arányával, a modell hatékonyságát igazolták.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

2000

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

    • Zhejiang
      • Hangzhou, Zhejiang, Kína, 310000
        • Children's Hospital of Zhejiang University School of Medicine
        • Kapcsolatba lépni:
        • Kapcsolatba lépni:
          • Jingjing Ye, PHD Degree
          • Telefonszám: 86-13868174280
        • Kutatásvezető:
          • Ying Jiang, Master Degree

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

Egészséges önkénteseket fogad

Igen

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A 18 évnél fiatalabb személyek, akik heveny herefájdalom miatt (≤ 24 órán belül) ultrahangvizsgálaton estek át

Leírás

Bevételi kritériumok:

  1. Életkor ≤ 18 év
  2. Ultrahang vizsgálaton átesett akut herefájdalom miatt (≤ 24 óra)
  3. Klinikailag herefüggelék torzióval (TAT) diagnosztizált betegek

Kizárási kritériumok:

  1. Rossz ultrahang képminőség (a here szerkezetek azonosítása sikertelen)
  2. Hiányos klinikai adatok (a herefüggelék torzió [TAT] diagnózisának megerősítése sikertelen)

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
A heréken lévő mellékrész torzió csoport
A herefüggelék-torsio diagnózisával rendelkező betegek
Himcsavar-csoport
Tesztisz torzióval diagnosztizált betegek
Epididymitis csoport
Epididymitis diagnosztizált betegek
Normál Csoport
Páciensek, akiknek nincs herefüggelék-torsioja, herefordulása, epididymitiszük, és a scrotum normális

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mélytanulási modell pontossága ellenőrizze a négy feltételt: herefüggelék-torzulás; herefordulás; epididymitis és normális állapot
Időkeret: Az eredmény generálása a kép bemenettől számított várható időtartama 24 óra
A mélytanulási modell pontossága négy feltétel ellenőrzését teszi lehetővé: herefüggelék torzió; herecsavarás; epididimitisz és normális állapot
Az eredmény generálása a kép bemenettől számított várható időtartama 24 óra

Másodlagos eredményintézkedések

Eredménymérő
Időkeret
Akut szkrotumfájdalommal rendelkező résztvevők száma
Időkeret: A regisztráció kezdetétől a végéig várhatóan 5 hónap
A regisztráció kezdetétől a végéig várhatóan 5 hónap
A klinikusok pontossági aránya a herefüggelék torziójának diagnosztizálásában és lokalizálásában
Időkeret: A klinikusok diagnosztizálásától és lokalizálásától kezdve a végéig várhatóan 15 nap
A klinikusok diagnosztizálásától és lokalizálásától kezdve a végéig várhatóan 15 nap
A mélytanulási modell pontossága a herefüggelék torzió kezelési módjának előrejelzésében, konzervatív kezelés vagy műtét
Időkeret: A méhnyálkahártya-csavaródás kezelésének előrejelzésétől a Deep learning modell által a végéig várhatóan 24 óra lesz.
A méhnyálkahártya-csavaródás kezelésének előrejelzésétől a Deep learning modell által a végéig várhatóan 24 óra lesz.

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Nyomozók

  • Tanulmányi igazgató: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's 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 (Becsült)

2026. január 1.

Elsődleges befejezés (Becsült)

2026. május 1.

A tanulmány befejezése (Becsült)

2026. május 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2025. december 9.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2025. december 23.

Első közzététel (Becsült)

2025. december 24.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2025. december 31.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. december 24.

Utolsó ellenőrzés

2025. december 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

IGEN

IPD terv leírása

a beteg ultrahang felvételei és alapvonal adatai

IPD megosztási időkeret

Az IPD és a támogató információk 2027. január 1-jén lesznek elérhetők, és egy hónapig fennmaradnak

IPD-megosztási hozzáférési feltételek

Folyóiratszerkesztők és lektorok, tanulmányi protokoll, küldjön e-mailt a hozzáféréshez.

Az IPD megosztását támogató információ típusa

  • STUDY_PROTOCOL

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