Potenziale del deep learning nella valutazione della pneumoconiosi rappresentata sulla radiografia digitale del torace
8 luglio 2021 aggiornato da: Peking University Third Hospital
Indagare sul potenziale del deep learning nella valutazione della pneumoconiosi rappresentata sulle radiografie digitali del torace e confrontarne le prestazioni con i radiologi certificati
La pneumoconiosi è relativamente diffusa nei paesi a basso/medio reddito e rimane un compito impegnativo diagnosticare in modo accurato e affidabile la pneumoconiosi.
I ricercatori hanno implementato una soluzione di deep learning e hanno chiarito il potenziale del deep learning nella diagnosi di pneumoconiosi confrontando le sue prestazioni con due radiologi certificati.
Il deep learning ha dimostrato un potenziale unico nella classificazione della pneumoconiosi.
Panoramica dello studio
Stato
Completato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Gli investigatori hanno raccolto retrospettivamente un set di dati composto da 1881 immagini radiografiche del torace sotto forma di radiografia digitale.
Queste immagini sono state acquisite in un ambiente di screening su soggetti che avevano una storia di lavoro in un ambiente che li esponeva a polvere nociva.
Tra questi soggetti, 923 sono stati diagnosticati con pneumoconiosi e 958 erano normali.
Per identificare i soggetti con pneumoconiosi, i ricercatori hanno applicato una classica rete neurale convoluzionale profonda (CNN) chiamata Inception-V3 a questi set di immagini e hanno convalidato le prestazioni di classificazione dei modelli addestrati utilizzando l'area sotto la curva caratteristica operativa del ricevitore (AUC).
Tipo di studio
Osservativo
Iscrizione (Effettivo)
1881
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 non probabilistico
Popolazione di studio
Di questi soggetti, 923 sono stati diagnosticati con pneumoconiosi, 958 erano normali.
Tra questi soggetti, 163 erano femmine.
Descrizione
Criterio di inclusione:
- lavoratori dell'industria con una storia di esposizione alla polvere e sottoposti a screening DR per pneumoconiosi dal 2015 al 2018
Criteri di esclusione:
- pazienti con scarsa qualità dell'immagine
- pazienti con dati clinici incompleti
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: Solo caso
- Prospettive temporali: Retrospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
rete neurale convoluzionale (CNN)
una classica rete neurale convoluzionale profonda (CNN) chiamata Inception-V3 è stata applicata ai set di immagini e ha convalidato le prestazioni di classificazione dei modelli addestrati
|
Architettura CNN denominata architettura U-Net
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
la diagnosi di pneumoconiosi
Lasso di tempo: fino a 6 mesi
|
La diagnosi e la stadiazione della pneumoconiosi sono state effettuate da un gruppo di esperti composto da radiologi certificati e medici del lavoro.
La diagnosi di pneumoconiosi è stata confermata dall'anamnesi e dalle precedenti cartelle cliniche (radiografie del torace e test di funzionalità polmonare).
|
fino a 6 mesi
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Investigatori
- Cattedra di studio: Xiaohua Wang, Peking University Third Hospital
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 2015
Completamento primario (Effettivo)
31 dicembre 2018
Completamento dello studio (Effettivo)
31 dicembre 2019
Date di iscrizione allo studio
Primo inviato
28 giugno 2021
Primo inviato che soddisfa i criteri di controllo qualità
8 luglio 2021
Primo Inserito (Effettivo)
15 luglio 2021
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
15 luglio 2021
Ultimo aggiornamento inviato che soddisfa i criteri QC
8 luglio 2021
Ultimo verificato
1 giugno 2021
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- M2019467
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 .