Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Sviluppo e convalida di un sistema di apprendimento profondo per malattie multiple del fondo oculare utilizzando immagini retiniche

24 dicembre 2019 aggiornato da: Haotian Lin, Sun Yat-sen University

Sviluppo e convalida di un sistema di apprendimento approfondito per malattie multiple del fondo oculare utilizzando immagini retiniche: uno studio prospettico multicentrico

Le immagini retiniche possono riflettere sia il fondo che le condizioni sistemiche (diabete e malattie cardiovascolari) e in primo luogo essere utilizzate per l'addestramento dell'algoritmo di intelligenza artificiale medica (AI) grazie ai suoi vantaggi di significato clinico e facile da ottenere. Qui, i ricercatori hanno sviluppato un unico modello di rete in grado di estrarre le caratteristiche tra più malattie del fondo oculare, che è stato addestrato da numerose immagini del fondo oculare con una o più etichette di malattia (se presenti) in ciascuna di esse. Le prestazioni del modello sono state confrontate con quelle di oftalmologi nativi e internazionali. Il modello è stato ulteriormente testato da set di dati con diversi tipi di telecamere e convalidato da tre set di dati esterni raccolti in modo prospettico dai siti clinici in cui il modello sarebbe stato applicato.

Panoramica dello studio

Stato

Sconosciuto

Condizioni

Intervento / Trattamento

Tipo di studio

Osservativo

Iscrizione (Anticipato)

300000

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

  • Cina
    • Guangdong
      • Guangzhou, Guangdong, Cina, 510060
        • Reclutamento
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Contatto:
        • Investigatore principale:
          • Haotian Lin, Ph.D

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

  • Bambino
  • Adulto
  • Adulto più anziano

Accetta volontari sani

No

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione di probabilità

Popolazione di studio

Le immagini della retina sono state raccolte da diversi istituti sanitari in tutta la Cina e in altri paesi del mondo.

Descrizione

Criterio di inclusione:

  • La qualità delle immagini del fondo deve essere clinicamente accettabile. Più dell'80% 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.

Criteri di esclusione:

  • Le immagini con perdita di luce (> 30% 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

  • Modelli osservazionali: Altro
  • Prospettive temporali: Altro

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Set di dati di addestramento
Immagini retiniche raccolte da ospedali e più siti di screening in tutta la Cina
Set di dati di convalida
Immagini retiniche separate dal set di dati di addestramento
Altro: diagnostico
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato da altri due set di dati.
Set di dati di test
Immagini retiniche raccolte prospetticamente dagli ospedali e dai siti di screening delle malattie oculari totalmente diverse dal set di dati di addestramento
Altro: diagnostico
Il set di dati di addestramento è stato utilizzato per addestrare il modello di deep learning, che è stato convalidato e testato da 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 del sistema di deep learning
Lasso di tempo: linea di base
Gli investigatori calcoleranno la sensibilità del sistema di apprendimento profondo e confronteranno questo indice tra il sistema di apprendimento profondo e i medici umani.
linea di base
Specificità del sistema di deep learning
Lasso di tempo: linea di base
Gli investigatori calcoleranno 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.

Sponsor

Sun Yat-sen University

Pubblicazioni e link utili

La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.

Pubblicazioni generali

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 gennaio 2014

Completamento primario (Anticipato)

1 febbraio 2020

Completamento dello studio (Anticipato)

1 maggio 2020

Date di iscrizione allo studio

Primo inviato

23 dicembre 2019

Primo inviato che soddisfa i criteri di controllo qualità

24 dicembre 2019

Primo Inserito (Effettivo)

30 dicembre 2019

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

30 dicembre 2019

Ultimo aggiornamento inviato che soddisfa i criteri QC

24 dicembre 2019

Ultimo verificato

1 dicembre 2019

Maggiori informazioni

Termini relativi a questo studio

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • CCPMOH2019- China8

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 diagnostico

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Gambia

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi