Sistema di diagnosi e aiuto decisionale per immagini multimodali per l'echinococcosi epatica basato su immagini omiche e macromodelli visivi
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Descrizione dettagliata
- Riconoscimento automatico/diagnosi efficiente dell'echinococcosi epatica: sviluppo di uno strumento diagnostico basato sull'intelligenza artificiale basato sul deep learning volto a migliorare la differenziazione dell'echinococcosi epatica da altre malattie del fegato come cisti epatiche, ascessi epatici e altre lesioni cistiche epatiche che occupano spazio. Lo strumento utilizzerà reti generative avversarie e algoritmi di auto-attenzione polarizzati per identificare e classificare efficacemente l’echinococcosi epatica per compensare le risorse mediche irregolari e la carenza di medici professionisti nella regione occidentale
- Diagnosi differenziale di tipi specifici di echinococcosi epatica: esplorare l'uso dell'imaging multimodale combinato con metodi di deep learning per distinguere il tipo CL, il tipo CE1 e la cisti epatica dell'echinococcosi epatica. Questa ricerca applicherà l’algoritmo di segmentazione delle immagini mediche DINOv2 e la tecnologia di deep learning per identificare con precisione i casi con dati complessi e distribuiti in modo relativamente non uniforme.
- Previsione della recidiva postoperatoria dell'echinococcosi epatica: l'apprendimento del trasferimento e l'algoritmo Deep-SVDD vengono utilizzati per prevedere il rischio di recidiva postoperatoria dell'echinococcosi epatica, fornendo una soluzione efficace per set di dati di dimensioni del campione sbilanciate. Inoltre, integrando i dati sulla piattaforma big data medica, è stato stabilito un modello di previsione della recidiva postoperatoria basato sull’intelligenza artificiale
Tipo di studio
Tipo di studio
Iscrizione (Effettivo)
Iscrizione
Contatti e Sedi
Luoghi di studio
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, Cina
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Pazienti con immagini originali complete nei formati dcim TC, ecografia e MRI
- Pazienti con fegato idatico confermato dalla patologia dopo l'intervento
- Pazienti con conservazione completa dei dati clinici
Criteri di esclusione:
- Pazienti con dati di imaging di scarsa qualità
- Pazienti con dati clinici incompleti
- Pazienti con idatide epatica CE4 e CE5 diagnosticati mediante sola imaging senza trattamento chirurgico
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
Gruppo di osservazione
In questo studio, come oggetto di ricerca sono stati presi i dati delle immagini preoperatorie di pazienti con idatide epatica
|
La rete neurale artificiale è stata costruita per identificare automaticamente l'idatide epatica utilizzando la tecnologia di deep learning
|
|
Gruppo di controllo
Cisti epatica, ascesso epatico e fegato normale erano il gruppo di controllo
|
La rete neurale artificiale è stata costruita per identificare automaticamente l'idatide epatica utilizzando la tecnologia di deep learning
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
curva ROC
Lasso di tempo: 2024.7-2026.3
|
Curva caratteristica di funzionamento del ricevitore
|
2024.7-2026.3
|
|
AUC
Lasso di tempo: 2024.7-2026.3
|
Area sotto la curva ROC
|
2024.7-2026.3
|
|
PPV
Lasso di tempo: 2024.7-2026.3
|
Valore predittivo positivo
|
2024.7-2026.3
|
|
VAN
Lasso di tempo: 2024.7-2026.3
|
Valore predittivo negativo
|
2024.7-2026.3
|
Collaboratori e investigatori
Sponsor
Sponsor
Investigatori
Investigatori
- Direttore dello studio: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Pubblicazioni e link utili
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Inizio studio
Completamento primario (Effettivo)
Completamento primario
Completamento dello studio (Effettivo)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- SYSKY-2024-517-01
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .