CNN-alapú MI a bőrgyógyászokkal szemben egyedi bőrelváltozások diagnosztizálásában
A CNN-alapú mesterséges intelligencia modell összehasonlítása bőrgyógyászokkal és nem bőrgyógyász orvosokkal magános bőrelváltozások diagnosztizálásában
Ennek a megfigyelési vizsgálatnak a célja egy CNN-alapú mesterséges intelligencia modell diagnosztikai pontosságának értékelése a szoliter bőrelváltozásokkal rendelkező betegekben. A fő kérdések, amelyekre választ szeretne találni:
- Mi a CNN-alapú modell diagnosztikai teljesítménye (érzékenység és specifikusság) a szoliter bőrelváltozások azonosításában makroszkópos klinikai képek felhasználásával?
- Hogyan hasonlít a CNN-alapú modell diagnosztikai pontossága a bőrgyógyászok és nem bőrgyógyász orvosok által végzett értékelésekhez?
A kutatók összehasonlítják az AI modell diagnosztikai eredményeit a bőrgyógyászok és nem bőrgyógyász orvosok független értékeléseivel, hogy megnézzék, elérheti-e az AI modell az emberi klinikusokkal összemérhető vagy azoknál jobb diagnosztikai teljesítményt.
A résztvevők (klinikai olvasóként működő orvosok) a következőket fogják tenni:
- Függetlenül felülvizsgálnak egy előre meghatározott anonimizált makroszkópos klinikai képekből álló készletet, amelyek egy retrospektív betegarchívumból származnak.
- Elsődleges diagnózist adnak minden egyes elváltozásra kizárólag a képek alapján, a beteg előzmények vagy hisztopatológiai eredmények hozzáférésének hiányában.
- Beküldik értékeléseiket, hogy összehasonlítsák azokat az arany standarddal (hisztopatológiai diagnózis) és az AI modell eredményeivel.
A tanulmány áttekintése
Állapot
Részletes leírás
Ez a vizsgálat egy retrospektív, megfigyeléses diagnosztikai pontossági tanulmány, amelyet annak értékelésére terveztek, hogy egy konvolúciós neurális hálózat (CNN) alapú mesterséges intelligencia modell hogyan teljesít a szoliter bőrgyógyászati elváltozások makroszkópos klinikai képek alapján történő értékelésében.
A szoliter bőrgyógyászati elváltozások makroszkópos klinikai képeit, amelyek hisztopatológiailag vagy klinikailag megerősített diagnózissal rendelkeznek, retrospektíven fogják lekérni az Isztanbuli Képzési és Kutatókórház dermatológiai képarchívumából. Minden képet és a hozzá kapcsolódó klinikai dokumentumot anonimizálni fognak az elemzés előtt, és minden azonosítható vizuális vagy szöveges információt eltávolítanak. Az adatfeldolgozás és elemzés egy biztonságos, intézményi környezetben fog zajlani, ahol a hozzáférés korlátozott, és csak a vizsgálati csapat számára engedélyezett.
Egy CNN-alapú mesterséges intelligencia modellt fognak fejleszteni felügyelt tanulási technikák alkalmazásával. A képfeldolgozási lépések között szerepelni fog az átméretezés szabványos bemeneti méretekre, a színnormalizálás és azon területek eltávolítása, amelyek potenciálisan azonosítható információkat tartalmazhatnak. Az adatkészletet felosztják tanulási, validációs és teszt részhalmazokra, hogy lehetővé tegyék a modellfejlesztést, a hiperparaméter-optimalizálást és a független teljesítményértékelést. A modelltanulás és értékelés a PyTorch mélytanulási keretrendszer segítségével fog megvalósulni.
A CNN-alapú modell diagnosztikai teljesítményét szabványos osztályozási metrikákkal fogják értékelni, és összehasonlítják a bőrgyógyászok, bőrgyógyászati rezidensek és nem bőrgyógyász orvosok független értékeléseivel, akik ugyanazt a halmazt anonimizált képeket értékelik anélkül, hogy hozzáférnének további klinikai vagy hisztopatológiai információkhoz. Összehasonlító elemzéseket végeznek majd a diagnosztikai teljesítmény és az egyetértés különbségeinek felmérésére a mesterséges intelligencia modell és az orvosi csoportok között.
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Fatih
-
Istanbul, Fatih, Törökország (Türkiye), 34098
- S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevonási kritériumok:
- Betegk, akik tájékoztatott hozzájárulást adtak klinikai képeik tudományos kutatásban való felhasználásához.
- Klinikai képek, amelyek felbontása meghaladja a 224x224 pixelt, biztosítva az összeférhetőséget a mesterséges intelligencia architektúrával.
- Retrospektív feljegyzések egyedi bőrgyógyulásokról megerősített diagnózissal.
Kizárási kritériumok:
- Betegk, akik nem járultak hozzá klinikai fényképeik kutatási célú felhasználásához.
- Képek, amelyek potenciálisan azonosítható személyes adatokat vagy vizuális jellemzőket tartalmaznak, amelyek veszélyeztetik a beteg anonimitását.
- 224x224 pixelnél alacsonyabb felbontású képek vagy gyenge diagnosztikai minőségű képek (pl. elmosódás, jelentős eltakarás).
- Ismétlődő képek vagy bejegyzések ugyanarról a gyógyulásról.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
|---|
|
Fejlesztési és Validációs Kohorsz
Ez egy egykarú retrospektív tanulmány, amely 17 625 archivált klinikai nyilvántartásból áll, megerősített hisztopatológiai diagnózissal.
A kohorsz szolgál majd elsődleges adathalmazként a mesterséges intelligencia modell fejlesztéséhez.
A tesztadatkészlet egy meghatározott részhalmazát dermatológusok és nem dermatológus orvosok panele fogja függetlenül értékelni egy többszörös választásos diagnosztikai feladaton keresztül.
A mesterséges intelligencia modell teljesítményét össze fogják hasonlítani mind az aranystandard hisztopatológiai eredményekkel, mind a humán megfigyelők diagnosztikai pontosságával.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A CNN-alapú mesterséges intelligencia modell diagnosztikai pontossága
Időkeret: Alapvonal (A retrospektív adatelemzés 4 hónapon belül befejeződik)
|
A konvolúciós neurális hálózat (CNN) alapú mesterséges intelligencia modell diagnosztikai pontosságát szolitér bőrelváltozások diagnosztikájában makroszkópos klinikai képek alapján számított pontosság és a fogadó működési karakterisztika görbe alatti terület (ROC-AUC) értékeivel értékeljük.
|
Alapvonal (A retrospektív adatelemzés 4 hónapon belül befejeződik)
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A CNN-alapú modell és a bőrgyógyászok közötti diagnosztikai teljesítménybeli különbség
Időkeret: Alapvonal (Várható befejezés 5 hónapon belül)
|
A CNN-alapú mesterséges intelligencia modell és a bőrgyógyászok közötti diagnosztikai teljesítménybeli különbség ugyanazon makroszkópos klinikai képek felhasználásával történő pontossági mutatók alapján kerül értékelésre.
|
Alapvonal (Várható befejezés 5 hónapon belül)
|
|
A CNN-alapú modell és a nem bőrgyógyász orvosok közötti diagnosztikai teljesítménybeli különbség
Időkeret: Alapvonal (Várható befejezés 5 hónapon belül)
|
A CNN-alapú mesterséges intelligencia modell és a nem bőrgyógyász orvosok diagnosztikai teljesítményének különbségét ugyanazon képkészlet felhasználásával, pontossági mutatók alapján értékeljük majd.
|
Alapvonal (Várható befejezés 5 hónapon belül)
|
|
A CNN-alapú modell és az orvoscsoportok érzékenysége, specifikitása
Időkeret: Alapvonal (Várható befejezés 5 hónapon belül)
|
A CNN-alapú mesterséges intelligencia modell és az orvosi csoportok érzékenységét, specifikusságát kiszámolják és összehasonlítják a magányos bőrelváltozások értékelése során.
|
Alapvonal (Várható befejezés 5 hónapon belül)
|
|
A CNN-alapú modell és az orvoscsoportok F1-pontszáma
Időkeret: Alapvonal (Várható befejezés 5 hónapon belül)
|
A CNN-alapú mesterséges intelligencia modell és az orvosi csoportok F1-értékeit számítják ki és hasonlítják össze a magányos bőrelváltozások értékelésében.
|
Alapvonal (Várható befejezés 5 hónapon belül)
|
Együttműködők és nyomozók
Nyomozók
- Tanulmányi szék: Ayşe Esra Koku Aksu, MD, Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
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
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- SBU-IEAH-KAEK-20260109-19
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
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. .