Realistico nella generazione di immagini di cellule HEp-2 utilizzando modelli di diffusione latente: un test di Turing visivo multicentrico
Valutazione del realismo delle immagini di cellule ANA HEp-2 sintetizzate utilizzando modelli di diffusione latente: un test di Turing visivo multicentrico
L'obiettivo di questo studio osservazionale prospettico è esaminare rigorosamente la fattibilità e l'efficacia dell'utilizzo di modelli di diffusione latente per l'aumento dei dati nelle immagini di immunofluorescenza delle cellule Hep-2 con anticorpi antinucleari (ANA). La domanda principale a cui si intende rispondere è:
L’applicazione di tali modelli può potenzialmente migliorare la qualità dei dati, aumentare la diversità dei campioni o migliorare l’accuratezza e l’efficienza dei successivi processi analitici (come la diagnosi e la classificazione delle malattie) se utilizzati con immagini correlate agli ANA?
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Un problema fondamentale nella ricerca biomedica è il basso numero di osservazioni disponibili, principalmente a causa della mancanza di campioni biologici disponibili, di costi proibitivi o di ragioni etiche. L'aggiunta di poche osservazioni reali con campioni generati in silico potrebbe portare a risultati di analisi più robusti e a un tasso di riproducibilità più elevato. Qui, i ricercatori propongono di utilizzare l'apprendimento non supervisionato con modelli di diffusione latente per la generazione realistica di dati di immagine ANA-IIF.
Gli investigatori ipotizzano che la generazione di immagini ANA-IIF sarà realistica se è difficile differenziarle (false) da quelle reali (vere). Per verificare questa ipotesi, i ricercatori presentano un test multicentrico di Visual Turing (https://turing.rednoble.net/) al fine di valutare la qualità delle immagini (false) generate.
Questa configurazione sperimentale consente ai ricercatori di convalidare la qualità complessiva delle immagini ANA-IIF generate, che possono quindi essere utilizzate per (1) formare citopatologi per scopi didattici e (2) generare campioni realistici per addestrare reti profonde con big data.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Luoghi di studio
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Cina, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Criteri di partecipazione
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:
- Proveniente da rinomate istituzioni mediche
- Possesso di certificazioni e qualifiche pertinenti
- Avere oltre un anno di esperienza nell'interpretazione dei modelli di anticorpi antinucleari (ANA) in un ambiente di laboratorio
Criteri di esclusione:
- Mancanza di certificazioni e qualifiche professionali pertinenti
- Senza esperienza nell'interpretazione dei modelli ANA
- Riluttanza ad accettare le regole e il consenso informato del test visivo di Turing
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
esperti
con oltre 20 anni di esperienza nella lettura ANA-IIF
|
determinare il tipo di modello ANA con o senza riferimento ai risultati dell'output del modello AI.
|
|
citopatologi junior
meno di 5 anni di esperienza medica accademica
|
determinare il tipo di modello ANA con o senza riferimento ai risultati dell'output del modello AI.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Il realismo delle immagini sintetizzate da modelli di diffusione
Lasso di tempo: Linea di base
|
I ricercatori hanno condotto uno studio utilizzando il metodo del test visivo di Turing, misurando attraverso un formato questionario e valutando i risultati della misurazione utilizzando una scala Likert a 5 punti. La scala Likert a 5 punti valuta le opinioni dei partecipanti sulla qualità delle immagini attraverso cinque opzioni di risposta: Reale, Molto simile, Incerto, Non proprio simile, Falso. Calcola i punteggi assegnando numeri (ad esempio, 5 a 1) a queste opzioni, sommando i punteggi per ciascun partecipante. I risultati vengono valutati analizzando la distribuzione dei punteggi, compresi i punteggi medi, e valutandone l'affidabilità e la validità. Inoltre, il ricercatore ha calcolato una serie di parametri utilizzati per la valutazione del modello interno, tra cui: precisione, richiamo, punteggio F1 e precisione media media (mAP). |
Linea di base
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'impatto dei risultati del modello di intelligenza artificiale sui partecipanti
Lasso di tempo: Linea di base
|
L'investigatore ha valutato la variazione nel tasso di accuratezza delle interpretazioni dei partecipanti prima e dopo essere stato assistito dal modello AI, gli investigatori condurranno un'analisi comparativa.
Inoltre, il ricercatore calcola il coefficiente di concordanza Kappa tra le interpretazioni umane e il modello e valuta se esistono differenze di accuratezza tra citopatologi con diversi livelli di esperienza quando assistiti dall'intelligenza artificiale.
|
Linea di base
|
|
Il tempo impiegato per l'interpretazione del modello ANA
Lasso di tempo: Linea di base
|
Il ricercatore confronta il tempo impiegato dal partecipante per completare le interpretazioni prima e dopo l'intervento del modello AI, valutando se vi è una riduzione del tempo medio di interpretazione per caso, da X minuti prima dell'assistenza AI a Y minuti dopo l'AI.
|
Linea di base
|
Collaboratori e investigatori
Investigatori
- Direttore dello studio: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Pubblicazioni e link utili
Pubblicazioni generali
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Collegamenti utili
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- XH-24-007
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (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 .