非皮膚科医の皮膚疾患診断の精度に関するディープ ニューラル ネットワーク
2022年10月25日 更新者：Pyoeng Gyun Choe
非皮膚科医の皮膚疾患診断の精度に対するディープ ニューラル ネットワークの使用の影響
背景: ディープ ニューラル ネットワーク (DNN) は、実験環境でさまざまな種類の皮膚疾患に適用されてきました。
目的: この研究の目的は、皮膚科以外の医師が皮膚疾患を診断するためのディープ ニューラル ネットワークの増強を、実際の環境で確認することです。
方法: 1 つの三次医療病院に合計 40 人の皮膚科医以外の医師が登録されます。 それらは、DNN グループとコントロール グループに無作為化されます。 2 つのグループを比較することで、研究者は深層ニューラル ネットワークの使用が皮膚病の診断に与える影響を精度の観点から推定します。
調査の概要
詳細な説明
DNN グループとコントロール グループでは、これらの手順は同じプロセスです。
- すべての適格な連続シリーズの患者の皮膚病変の定期的な検査と写真の撮影。
- 臨床診断を行う（BEFORE-DX）
- 臨床診断を行う (AFTER-DX)
- 皮膚科に相談
DNN グループでは、BEFORE-DX を作成した後、医師がディープ ニューラル ネットワークを使用し、ディープ ニューラル ネットワークの結果を考慮して AFTER-DX を作成します (Model Dermatology、build 2020)。
対照群では、医師は BEFORE-DX を作成した後、皮膚病変の写真をもう一度見直した後、AFTER-DX を作成します。
グラウンド トゥルースは、利用可能な場合は生検、または皮膚科医のコンセンサス診断に基づきます。
研究者は、6 か月連続の研究の後、DNN グループと対照グループの精度を比較します。
研究の種類
介入
入学 (実際)
55
段階
- 適用できない
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
-
Seoul、大韓民国、03080
- Seoul National University Hospital
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- アダルト
- OLDER_ADULT
- 子供
健康ボランティアの受け入れ
いいえ
受講資格のある性別
全て
説明
包含基準:
- -この研究への参加に同意する非皮膚科医（レジデント）
除外基準:
- 皮膚科レジデント
- 皮膚病変の診断に他のディープ ニューラル ネットワークを使用する皮膚科以外のレジデント
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
- 主な目的：診断
- 割り当て：ランダム化
- 介入モデル：平行
- マスキング：なし
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的：DNNグループ
ディープ ニューラル ネットワークを使用した皮膚病変の診断
|
DNN グループの医師は、皮膚病変の写真を撮り、写真をアップロードしてアルゴリズムを使用します。
|
|
NO_INTERVENTION：対照群
従来の診断
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
トップ 1 の診断精度
時間枠：6ヶ月連続
|
トップ 1 予測の正解率
|
6ヶ月連続
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
トップ 2 および 3 の診断精度
時間枠：6ヶ月連続
|
正しいトップ 2 および 3 予測の頻度
|
6ヶ月連続
|
|
感染感受性
時間枠：6ヶ月連続
|
感染症診断陽性率
|
6ヶ月連続
|
|
悪性感受性
時間枠：6ヶ月連続
|
悪性診断陽性率
|
6ヶ月連続
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
スポンサー
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2020年11月27日
一次修了 (実際)
2021年11月27日
研究の完了 (実際)
2021年12月27日
試験登録日
最初に提出
2020年11月13日
QC基準を満たした最初の提出物
2020年11月13日
最初の投稿 (実際)
2020年11月19日
学習記録の更新
投稿された最後の更新 (実際)
2022年10月27日
QC基準を満たした最後の更新が送信されました
2022年10月25日
最終確認日
2022年10月1日
詳しくは
本研究に関する用語
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
いいえ
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
いいえ
米国FDA規制機器製品の研究
いいえ
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。