IA basata su CNN rispetto ai medici per la diagnosi delle lesioni cutanee solitarie
Confronto di un modello di intelligenza artificiale basato su CNN con dermatologi e medici non dermatologi nella diagnosi di lesioni cutanee solitarie
L'obiettivo di questo studio osservazionale è valutare l'accuratezza diagnostica di un modello di intelligenza artificiale basato su CNN in pazienti con lesioni cutanee solitarie. Le principali domande a cui mira a rispondere sono:
- Quali sono le prestazioni diagnostiche (sensibilità e specificità) del modello basato su CNN nell'identificare lesioni cutanee solitarie utilizzando immagini cliniche macroscopiche?
- In che modo l'accuratezza diagnostica del modello basato su CNN si confronta con le valutazioni effettuate da dermatologi e medici non dermatologi?
I ricercatori confronteranno le diagnosi del modello di IA con le valutazioni indipendenti di dermatologi e medici non dermatologi per verificare se il modello di IA possa raggiungere prestazioni diagnostiche comparabili o migliori di quelle dei clinici umani.
I partecipanti (medici che fungono da lettori clinici) dovranno:
- Esaminare in modo indipendente un set predefinito di immagini cliniche macroscopiche anonimizzate provenienti da un archivio pazienti retrospettivo.
- Fornire una diagnosi primaria per ciascuna lesione basandosi esclusivamente sulle immagini, senza accesso alla storia del paziente o ai risultati istopatologici.
- Inviare le loro valutazioni per essere confrontate con il gold standard (diagnosi istopatologica) e con i risultati del modello di IA.
Panoramica dello studio
Stato
Descrizione dettagliata
Questo studio è uno studio retrospettivo, osservazionale di accuratezza diagnostica progettato per valutare le prestazioni di un modello di intelligenza artificiale basato su reti neurali convoluzionali (CNN) nella valutazione di lesioni cutanee solitarie utilizzando immagini cliniche macroscopiche.
Le immagini cliniche macroscopiche di lesioni cutanee solitarie con diagnosi istopatologiche o clinicamente confermate saranno recuperate retrospettivamente dall'archivio di immagini dermatologiche dell'Ospedale di Formazione e Ricerca di Istanbul. Tutte le immagini e i relativi documenti clinici saranno anonimizzati prima dell'analisi e qualsiasi informazione visiva o testuale identificativa sarà rimossa. L'elaborazione e l'analisi dei dati saranno condotte in un ambiente sicuro basato sull'istituzione, con accesso limitato al solo team di studio.
Un modello di intelligenza artificiale basato su CNN sarà sviluppato utilizzando tecniche di apprendimento supervisionato. I passaggi di pre-elaborazione delle immagini includeranno il ridimensionamento a dimensioni di input standardizzate, la normalizzazione del colore e la rimozione delle regioni contenenti informazioni potenzialmente identificabili. Il set di dati sarà suddiviso in sottoinsiemi di addestramento, validazione e test per consentire lo sviluppo del modello, l'ottimizzazione degli iperparametri e la valutazione indipendente delle prestazioni. L'addestramento e la valutazione del modello saranno implementati utilizzando il framework di deep learning PyTorch.
Le prestazioni diagnostiche del modello basato su CNN saranno valutate utilizzando metriche di classificazione standard e saranno confrontate con le valutazioni indipendenti di dermatologi, specializzandi in dermatologia e medici non dermatologi che valutano lo stesso set di immagini anonimizzate senza accesso a ulteriori informazioni cliniche o istopatologiche. Saranno eseguite analisi comparative per valutare le differenze nelle prestazioni diagnostiche e nella concordanza tra il modello di intelligenza artificiale e i gruppi di medici.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Luoghi di studio
-
-
Fatih
-
Istanbul, Fatih, Turchia (Türkiye), 34098
- S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi
-
-
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
Criteri di inclusione:
- Pazienti che hanno fornito il consenso informato per l'uso delle loro immagini cliniche nella ricerca scientifica.
- Immagini cliniche con una risoluzione superiore a 224x224 pixel, garantendo la compatibilità con l'architettura di intelligenza artificiale.
- Registri retrospettivi di lesioni cutanee solitarie con diagnosi confermate.
Criteri di esclusione:
- Pazienti che non hanno acconsentito all'uso delle loro fotografie cliniche per scopi di ricerca.
- Immagini contenenti informazioni personali potenzialmente identificabili o caratteristiche visive che compromettono l'anonimato del paziente.
- Immagini con una risoluzione inferiore a 224x224 pixel o di scarsa qualità diagnostica (ad esempio, sfocatura, occlusione significativa).
- Immagini duplicate o voci per la stessa lesione.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
|---|
|
Cohort di Sviluppo e Validazione
Questo è uno studio retrospettivo a braccio singolo costituito da 17.625 cartelle cliniche archiviate con diagnosi istopatologiche confermate.
La coorte servirà come dataset primario per lo sviluppo del modello di IA.
Un sottoinsieme specifico del dataset di test sarà valutato in modo indipendente da un panel di dermatologi e medici non dermatologi attraverso un'attività diagnostica a scelta multipla.
Le prestazioni del modello di IA saranno confrontate sia con i risultati istopatologici gold-standard che con l'accuratezza diagnostica degli osservatori umani.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Accuratezza diagnostica del modello di intelligenza artificiale basato su CNN
Lasso di tempo: Baseline (L'analisi dei dati retrospettivi sarà completata entro 4 mesi)
|
L'accuratezza diagnostica del modello di intelligenza artificiale basato su reti neurali convoluzionali (CNN) nella diagnosi di lesioni cutanee solitarie sarà valutata utilizzando i valori di accuratezza e l'area sotto la curva ROC (ROC-AUC) basati su immagini cliniche macroscopiche.
|
Baseline (L'analisi dei dati retrospettivi sarà completata entro 4 mesi)
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Differenza nelle prestazioni diagnostiche tra il modello basato su CNN e i dermatologi
Lasso di tempo: Baseline (Completamento previsto entro 5 mesi)
|
La differenza nella performance diagnostica tra il modello di intelligenza artificiale basato su CNN e i dermatologi sarà valutata in base alle metriche di accuratezza utilizzando lo stesso set di immagini cliniche macroscopiche.
|
Baseline (Completamento previsto entro 5 mesi)
|
|
Differenza nella performance diagnostica tra il modello basato su CNN e i medici non dermatologi
Lasso di tempo: Baseline (Completamento previsto entro 5 mesi)
|
La differenza nella performance diagnostica tra il modello di intelligenza artificiale basato su CNN e i medici non dermatologi sarà valutata in base alle metriche di accuratezza utilizzando lo stesso set di immagini.
|
Baseline (Completamento previsto entro 5 mesi)
|
|
Sensibilità, specificità del modello basato su CNN e gruppi di medici
Lasso di tempo: Baseline (Completamento previsto entro 5 mesi)
|
La sensibilità e la specificità del modello di intelligenza artificiale basato su CNN e dei gruppi di medici saranno calcolate e confrontate nella valutazione delle lesioni cutanee solitarie.
|
Baseline (Completamento previsto entro 5 mesi)
|
|
F1-score del modello basato su CNN e dei gruppi di medici
Lasso di tempo: Baseline (Completamento previsto entro 5 mesi)
|
I valori dell'F1-score del modello di intelligenza artificiale basato su CNN e dei gruppi di medici saranno calcolati e confrontati nella valutazione delle lesioni cutanee solitarie.
|
Baseline (Completamento previsto entro 5 mesi)
|
Collaboratori e investigatori
Investigatori
- Cattedra di studio: Ayşe Esra Koku Aksu, MD, Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi
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
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- SBU-IEAH-KAEK-20260109-19
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano 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 .
Prove cliniche su Neoplasie cutanee
-
University of ArizonaNon ancora reclutamentoGruppo 1: Carrier Care (CC) seguito da Skin-to-Skin Care (SSC) seguito dalla scelta della famiglia | Gruppo 2: cura della pelle a pelle (SSC) seguito da Carrier Care (CC) seguito dalla scelta della famiglia
-
Aalborg UniversityCompletatoPrurito | Papaina | Skin Prick Test (SPT)Danimarca
-
Mastelli S.r.l1MedReclutamentoElasticità della pelle | Idratazione della pelle in volontari sani | Miglioramento estetico della pelle | Skin Turgor | Soddisfazione del soggettoItalia
-
Assistance Publique - Hôpitaux de ParisIltoo PharmaCompletatoRinocongiuntivite allergica al polline di betulla | Con un Skin Prick Test positivo al polline di betullaFrancia