腸閉塞の X 線写真の分類におけるディープラーニング
2024年3月13日 更新者：The First Affiliated Hospital of Soochow University
直立した腹部X線撮影で腸閉塞を分類するための自己教師あり学習
背景: 腹部直立 X 線写真で閉塞部位を正確に標識することは困難な作業です。 グラウンド トゥルースの欠如は、教師あり学習モデルのパフォーマンスの低下につながります。 この問題に対処するために、少数の確認済みサンプルを使用して正常、小腸閉塞 (SBO)、および大腸閉塞 (LBO) の X 線写真を分類する自己教師あり学習 (SSL) が提案されています。
方法: 少数の確認済みの X 線写真と多数のラベルのない X 線写真が、グラウンド トゥルースに基づいて分類されました。 SSL モデルは、最初にラベルのない X 線写真でトレーニングされ、次に確認された X 線写真で微調整されました。 ResNet50 と VGG16 は組み込みベース エンコーダーに使用され、その重みとパラメーターはトレーニング プロセス中に調整されました。 さらに、教師あり学習モデルや人間の通訳と比較して、独立したデータセットでテストされました。 最後に、t-SNE と Grad-CAM を使用してモデルの解釈を視覚化しました。
調査の概要
研究の種類
観察的
入学 (推定)
4500
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
-
-
Jiangsu
-
Suzhou、Jiangsu、中国、215006
- TheFirst Affiliated Hospital of Soochow University
-
-
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
- 大人
- 高齢者
健康ボランティアの受け入れ
いいえ
サンプリング方法
確率サンプル
調査対象母集団
この研究には、腹部の直立X線写真を受けた参加者が含まれていました。
参加者は、腹部 X 線写真が正常な参加者、小腸閉塞のある参加者、大腸閉塞のある参加者に分けることができます。
この研究は、包含基準と除外基準に厳密に従っています。
説明
包含基準:
- 病院の画像システムは、2022 年から 2024 年の間に腸閉塞または正常と診断された腹部の単純な立位フィルムを検索しました。
- 18歳から80歳まで
- 主訴は胃腸症状でした
除外基準:
- 画像の干渉、曖昧なパフォーマンス、区別が困難
- 非胃腸症状が主訴であった
- 仰臥位、腹臥位、側臥位のX線撮影
- 麻痺性閉塞、閉ループ閉塞など
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
コホートと介入
グループ/コホート |
|---|
|
腹部X線写真が正常な患者
腹部 X 線写真が正常である患者は、追加の画像検査と臨床データによって確認されました。
画像検査にはその後 72 時間の CT、磁気共鳴画像法 (MRI)、結腸内視鏡検査が含まれ、臨床データには最近の入院情報と手術記録が含まれていました。
|
|
小腸閉塞のある患者のレントゲン写真
小腸閉塞の X 線写真を有する患者。追加の画像検査と臨床データによって確認されました。
画像検査にはその後 72 時間の CT、磁気共鳴画像法 (MRI)、結腸内視鏡検査が含まれ、臨床データには最近の入院情報と手術記録が含まれていました。
場所的には、小腸閉塞 (SBO) には十二指腸、空腸、回腸が含まれます。
|
|
大腸閉塞のある患者のレントゲン写真
大腸閉塞のレントゲン写真がある患者。追加の画像検査と臨床データによって確認されました。
画像検査にはその後 72 時間の CT、磁気共鳴画像法 (MRI)、結腸内視鏡検査が含まれ、臨床データには最近の入院情報と手術記録が含まれていました。
大腸閉塞（SBO）は、場所的には盲腸、結腸、直腸に関係します。
|
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 |
|---|---|---|
|
診断と分類のパフォーマンス
時間枠：1週間
|
精度、再現率、精度、F1 スコアおよび混同行列
|
1週間
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
自己教師ありモデルの視覚化された解釈
時間枠：1週間
|
SSL モデルの解釈を視覚化するための Grad-CAM と t-SNE
|
1週間
|
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。
捜査官
- スタディディレクター：Rui Li, MD、The First Affiliated Hospital of Soochow University
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
- Markogiannakis H, Messaris E, Dardamanis D, Pararas N, Tzertzemelis D, Giannopoulos P, Larentzakis A, Lagoudianakis E, Manouras A, Bramis I. Acute mechanical bowel obstruction: clinical presentation, etiology, management and outcome. World J Gastroenterol. 2007 Jan 21;13(3):432-7. doi: 10.3748/wjg.v13.i3.432.
- Cheng PM, Tran KN, Whang G, Tejura TK. Refining Convolutional Neural Network Detection of Small-Bowel Obstruction in Conventional Radiography. AJR Am J Roentgenol. 2019 Feb;212(2):342-350. doi: 10.2214/AJR.18.20362. Epub 2018 Nov 26.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Frager D. Intestinal obstruction role of CT. Gastroenterol Clin North Am. 2002 Sep;31(3):777-99. doi: 10.1016/s0889-8553(02)00026-2.
- Cappell MS, Batke M. Mechanical obstruction of the small bowel and colon. Med Clin North Am. 2008 May;92(3):575-97, viii. doi: 10.1016/j.mcna.2008.01.003.
- ten Broek RP, Strik C, Issa Y, Bleichrodt RP, van Goor H. Adhesiolysis-related morbidity in abdominal surgery. Ann Surg. 2013 Jul;258(1):98-106. doi: 10.1097/SLA.0b013e31826f4969.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Chen Y, Mancini M, Zhu X, Akata Z. Semi-Supervised and Unsupervised Deep Visual Learning: A Survey. IEEE Trans Pattern Anal Mach Intell. 2024 Mar;46(3):1327-1347. doi: 10.1109/TPAMI.2022.3201576. Epub 2024 Feb 6.
- Li G, Togo R, Ogawa T, Haseyama M. Self-supervised learning for gastritis detection with gastric X-ray images. Int J Comput Assist Radiol Surg. 2023 Oct;18(10):1841-1848. doi: 10.1007/s11548-023-02891-5. Epub 2023 Apr 11.
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)
2022年12月31日
一次修了 (推定)
2024年4月30日
研究の完了 (推定)
2024年12月31日
試験登録日
最初に提出
2024年3月13日
QC基準を満たした最初の提出物
2024年3月13日
最初の投稿 (実際)
2024年3月20日
学習記録の更新
投稿された最後の更新 (実際)
2024年3月20日
QC基準を満たした最後の更新が送信されました
2024年3月13日
最終確認日
2024年3月1日
詳しくは
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。