Screening e identificazione delle malattie epatobiliari tramite deep learning utilizzando immagini oculari
16 agosto 2020 aggiornato da: Haotian Lin, Sun Yat-sen University
L'intelligenza artificiale può fornire informazioni sull'esplorazione della potenziale associazione nascosta dietro e rivelare alcuni primi cambiamenti dell'architettura oculare in individui con disturbi epatobiliari.
Abbiamo condotto un lavoro pionieristico per esplorare l'associazione tra occhio e fegato attraverso il deep learning, per sviluppare e valutare diversi modelli di deep learning per prevedere la malattia epatobiliare utilizzando immagini oculari.
Panoramica dello studio
Stato
Completato
Intervento / Trattamento
Tipo di studio
Osservativo
Iscrizione (Effettivo)
1789
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
Guangdong
-
Guangzhou, Guangdong, Cina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- ADULTO
- ANZIANO_ADULTO
- BAMBINO
Accetta volontari sani
Sì
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione di probabilità
Popolazione di studio
Immagini della lampada a fessura e del fondo retinico raccolte dal Dipartimento di malattie infettive, Terzo ospedale affiliato della Sun Yat-sen University, Dipartimento di malattie infettive, Terzo ospedale affiliato della Sun Yat-sen University, Affiliato Huadu Hospital of Southern Medical University, Nantian Medical Center di Aikang Health Care e Huanshidong Medical Center di Aikang Health Care.
Descrizione
Criterio di inclusione:
- La qualità delle immagini del fondo e della lampada a fessura deve essere clinicamente accettabile.
- Più del 90% dell'area dell'immagine del fondo oculare, comprese le quattro regioni principali (disco ottico, maculare, archi dei vasi retinici superiori e inferiori) è facile da leggere e discriminare.
- Più del 90% dell'area dell'immagine della lampada a fessura, comprese le tre regioni principali (sclera, pupilla e cristallino), è facile da leggere e discriminare.
Criteri di esclusione:
- Le immagini con perdita di luce (> 10% dell'area), macchie dovute a bagliori o macchie sull'obiettivo e sovraesposizione sono state escluse da ulteriori analisi.
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
set di dati di sviluppo 01
Immagini della lampada a fessura e del fondo retinico raccolte dal Dipartimento di Chirurgia Epatobiliare del Terzo Ospedale Affiliato dell'Università di Sun Yat-sen.
|
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato dagli altri due set di dati.
|
|
set di dati di sviluppo 02
Immagini della lampada a fessura e del fondo retinico raccolte dall'affiliato Huadu Hospital della Southern Medical University.
|
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato dagli altri due set di dati.
|
|
set di dati di sviluppo 03
Immagini della lampada a fessura e del fondo retinico raccolte dal Nantian Medical Center of Aikang Health Care.
|
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato dagli altri due set di dati.
|
|
set di dati di prova 01
Immagini della lampada a fessura e del fondo retinico raccolte dal Dipartimento di Malattie Infettive, Terzo Ospedale Affiliato dell'Università di Sun Yat-sen.
|
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato dagli altri due set di dati.
|
|
set di dati di prova 02
Immagini della lampada a fessura e del fondo retinico raccolte dal Centro medico Huanshidong dell'Aikang Health Care.
|
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato dagli altri due set di dati.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
area sotto la curva caratteristica operativa del ricevitore del sistema di deep learning
Lasso di tempo: linea di base
|
Gli investigatori calcoleranno l'area sotto la curva caratteristica operativa del ricevitore del sistema di apprendimento profondo e confronteranno questo indice tra il sistema di apprendimento profondo e i medici umani
|
linea di base
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
sensibilità e specificità del sistema di deep learning
Lasso di tempo: linea di base
|
Gli investigatori calcoleranno la sensibilità e la specificità del sistema di apprendimento profondo e confronteranno questo indice tra il sistema di apprendimento profondo e i medici umani
|
linea di base
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (EFFETTIVO)
1 dicembre 2018
Completamento primario (EFFETTIVO)
31 gennaio 2020
Completamento dello studio (EFFETTIVO)
31 gennaio 2020
Date di iscrizione allo studio
Primo inviato
25 dicembre 2019
Primo inviato che soddisfa i criteri di controllo qualità
25 dicembre 2019
Primo Inserito (EFFETTIVO)
30 dicembre 2019
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
18 agosto 2020
Ultimo aggiornamento inviato che soddisfa i criteri QC
16 agosto 2020
Ultimo verificato
1 agosto 2020
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- AEHD-2019
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
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 .
Prove cliniche su Patologie epatobiliari
-
Ege UniversityReclutamentoBambini epilettici, disturbi del sonno, comportamenti disadattiviTacchino
-
Ain Shams UniversityCompletatoMorbo di Parkinson | Parkinsonismo vascolareEgitto