Diagnosi e Localizzazione Ecografica Assistita dal Deep Learning della Torsione dell'Appendice Testicolare
Studio di Validazione Retrospettivo Multicentrico sulla Diagnosi e Localizzazione Ecografica Assistita da Apprendimento Profondo della Torsione dell'Appendice Testicolare
I dati ecografici sono stati raccolti retrospettivamente dal centro principale e da altri sei sottocentri. Combinati con gli esiti diagnostici clinici, l'etichettatura dei dati è stata completata da medici con ampia esperienza clinica.
In questo studio, è stato adottato YOLOv11 come rete di rilevamento, integrata con il meccanismo di attenzione convoluzionale (Spatial Convolutional Block Attention Module, ovvero Spatial CBAM) e il meccanismo di auto-attenzione (ad esempio, Attention Convolution Mixer, ACMix). Il dataset del centro principale è stato suddiviso in sottoinsiemi di addestramento, validazione e test, sui quali il modello è stato rispettivamente addestrato, validato e testato; è stata condotta un'ulteriore validazione sul dataset del sottocentro. Nel frattempo, a quattro medici è stato assegnato il compito di interpretare i dati ecografici dei sottocentri utilizzando due metodi diagnostici - diagnosi indipendente e diagnosi assistita dall'intelligenza artificiale (AI) - e l'accuratezza diagnostica di questi due approcci è stata ulteriormente confrontata. Raccogliendo e apprendendo i metodi di trattamento dei pazienti nel set di addestramento del centro principale, prevedendo i metodi di trattamento dei pazienti nel dataset del sottocentro e confrontando la proporzione di interventi chirurgici previsti dall'AI con la proporzione effettiva di interventi chirurgici, l'efficacia del modello è stata verificata.
Panoramica dello studio
Stato
Descrizione dettagliata
I dati ecografici sono stati raccolti retrospettivamente dal centro principale e da altri sei sotto-centri. Combinati con gli esiti diagnostici clinici, l'etichettatura dei dati è stata completata da medici con ampia esperienza clinica.
In questo studio, YOLOv11 è stato adottato come rete di rilevamento, integrata con il meccanismo di attenzione convoluzionale (Spatial Convolutional Block Attention Module, ovvero Spatial CBAM) e il meccanismo di auto-attenzione (ad esempio, Attention Convolution Mixer, ACMix). Il dataset del centro principale è stato suddiviso in sottoinsiemi di addestramento, validazione e test, sui quali il modello è stato rispettivamente addestrato, validato e testato; è stata condotta una validazione aggiuntiva sul dataset del sotto-centro. Nel frattempo, quattro medici sono stati incaricati di interpretare i dati ecografici dei sotto-centri utilizzando due metodi diagnostici - diagnosi indipendente e diagnosi assistita dall'intelligenza artificiale (AI) - e l'accuratezza diagnostica di questi due approcci è stata ulteriormente confrontata. Raccogliendo e apprendendo i metodi di trattamento dei pazienti nel set di addestramento del centro principale, prevedendo i metodi di trattamento dei pazienti nel dataset del sotto-centro, e confrontando la proporzione di interventi chirurgici previsti dall'AI con la proporzione effettiva di interventi chirurgici, l'efficacia del modello è stata verificata.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Ying Jiang, Master Degree
- Numero di telefono: 86-19883203100
- Email: Jiang_ying@zju.edu.cn
Backup dei contatti dello studio
- Nome: Juntao Jiang, Master Degree
- Numero di telefono: 86-13968107281
- Email: juntaojiang@zju.edu.cn
Luoghi di studio
-
-
Zhejiang
-
Hangzhou, Zhejiang, Cina, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Contatto:
- Ying Jiang, Master Degree
- Numero di telefono: 86-19883203100
- Email: Jiang_ying@zju.edu.cn
-
Contatto:
- Jingjing Ye, PHD Degree
- Numero di telefono: 86-13868174280
-
Investigatore principale:
- Ying Jiang, Master Degree
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione:
- Età ≤ 18 anni
- Sottoposto a esame ecografico a causa di dolore scrotale acuto (≤ 24 ore)
- Pazienti con diagnosi clinica di torsione dell'appendice testicolare (TAT)
Criteri di esclusione:
- Scarsa qualità dell'immagine ecografica (impossibilità di identificare le strutture testicolari)
- Dati clinici incompleti (impossibilità di confermare la diagnosi di torsione dell'appendice testicolare [TAT])
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
|---|
|
Gruppo Torsione Appendice Testicolare
Pazienti diagnosticati con torsione dell'appendice testicolare
|
|
Gruppo Torsione Testicolare
Pazienti con diagnosi di torsione testicolare
|
|
Gruppo di Epididimite
Pazienti con diagnosi di epididimite
|
|
Gruppo Normale
Pazienti senza torsione dell'appendice testicolare, torsione testicolare, epididimite, e lo scroto è normale
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Accuratezza del modello di deep-learning per verificare quattro condizioni: torsione dell'appendice testicolare; torsione testicolare; epididimite e condizione normale
Lasso di tempo: Dal caricamento dell'immagine alla generazione del risultato ci si aspetta che passino 24 ore
|
accuratezza del modello di deep-learning verifica quattro condizioni: torsione dell'appendice testicolare; torsione testicolare; epididimite e condizione normale
|
Dal caricamento dell'immagine alla generazione del risultato ci si aspetta che passino 24 ore
|
Misure di risultato secondarie
Misura del risultato |
Lasso di tempo |
|---|---|
|
Numero di partecipanti con dolore scrotale acuto
Lasso di tempo: Dal momento dell'arruolamento alla fine si prevede che siano 5 mesi
|
Dal momento dell'arruolamento alla fine si prevede che siano 5 mesi
|
|
Il tasso di accuratezza dei clinici nella diagnosi e localizzazione della torsione dell'appendice testicolare
Lasso di tempo: Dall'inizio della diagnosi e localizzazione da parte dei clinici fino alla fine sono previsti 15 giorni
|
Dall'inizio della diagnosi e localizzazione da parte dei clinici fino alla fine sono previsti 15 giorni
|
|
Il tasso di accuratezza del modello di apprendimento profondo nel predire la modalità di trattamento per la torsione dell'appendice testicolare, trattamento conservativo o chirurgia
Lasso di tempo: Dal principio della previsione del trattamento per la torsione dell'appendice testicolare mediante il modello di Deep learning alla fine si prevede che siano 24 ore
|
Dal principio della previsione del trattamento per la torsione dell'appendice testicolare mediante il modello di Deep learning alla fine si prevede che siano 24 ore
|
Collaboratori e investigatori
Sponsor
Investigatori
- Direttore dello studio: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
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 (Stimato)
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
- CHZhejiangjiangying
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Periodo di condivisione IPD
Criteri di accesso alla condivisione IPD
Tipo di informazioni di supporto alla condivisione IPD
- STUDIO_PROTOCOLLO
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 .