이 페이지는 자동 번역되었으며 번역의 정확성을 보장하지 않습니다. 참조하십시오 영문판 원본 텍스트의 경우.

망막 영상을 이용한 다발성 안저질환 딥러닝 시스템 개발 및 검증 원문보기 KCI 원문보기 인용

2019년 12월 24일 업데이트: Haotian Lin, Sun Yat-sen University

망막 영상을 이용한 다발성 안저질환 딥러닝 시스템 개발 및 검증: 다기관 전향적 연구

망막 영상은 안저 및 전신 상태(당뇨병 및 심혈관 질환)를 모두 반영할 수 있으며, 임상적 의미가 있고 획득이 쉽다는 장점으로 인해 의료 인공 지능(AI) 알고리즘 훈련에 먼저 사용됩니다. 여기에서 연구자들은 각각 하나 또는 여러 개의 질병 레이블(있는 경우)이 있는 많은 안저 이미지로 훈련된 여러 안저 질환 중에서 특성을 조사할 수 있는 단일 네트워크 모델을 개발했습니다. 모델 성능은 국내 및 국제 안과 의사의 성능과 비교되었습니다. 이 모델은 다양한 카메라 유형이 있는 데이터 세트에 의해 추가로 테스트되었으며 모델이 적용될 임상 현장에서 전향적으로 수집된 3개의 외부 데이터 세트에 의해 검증되었습니다.

연구 개요

상태

알려지지 않은

정황

개입 / 치료

연구 유형

관찰

등록 (예상)

300000

연락처 및 위치

이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.

연구 장소

  • 중국
    • Guangdong
      • Guangzhou, Guangdong, 중국, 510060
        • 모병
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • 연락하다:
        • 수석 연구원:
          • Haotian Lin, Ph.D

참여기준

연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.

자격 기준

공부할 수 있는 나이

  • 어린이
  • 성인
  • 고령자

건강한 자원 봉사자를 받아들입니다

아니

연구 대상 성별

모두

샘플링 방법

확률 샘플

연구 인구

망막 이미지는 중국 전역과 전 세계 다른 국가의 여러 의료 기관에서 수집되었습니다.

설명

포함 기준:

  • 안저 이미지의 품질은 임상적으로 허용되어야 합니다. 4개의 주요 영역(시신경유두, 황반, 상부 및 하부 망막혈관궁)을 포함하는 안저 이미지 영역의 80% 이상이 판독 및 식별이 용이합니다.

제외 기준:

  • 빛 누출(면적의 >30%), 렌즈 플레어 또는 얼룩의 얼룩, 과다 노출이 있는 이미지는 추가 분석에서 제외되었습니다.

공부 계획

이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.

연구는 어떻게 설계됩니까?

디자인 세부사항

  • 관찰 모델: 다른
  • 시간 관점: 다른

코호트 및 개입

그룹/코호트
개입 / 치료
교육 데이터 세트
중국 전역의 병원 및 여러 선별 사이트에서 수집한 망막 이미지
유효성 검사 데이터 세트
교육 데이터 세트에서 분리된 망막 이미지
다른: 특수 증상
학습 데이터 세트는 다른 두 데이터 세트에 의해 검증되고 테스트된 딥 러닝 모델을 학습하는 데 사용되었습니다.
데이터 세트 테스트
교육 데이터 세트와 완전히 다른 병원 및 안과 질환 선별 사이트에서 전향적으로 수집한 망막 이미지
다른: 특수 증상
학습 데이터 세트는 다른 두 데이터 세트에 의해 검증되고 테스트된 딥 러닝 모델을 학습하는 데 사용되었습니다.

연구는 무엇을 측정합니까?

주요 결과 측정

결과 측정
측정값 설명
기간
딥러닝 시스템의 수신기 동작 특성 곡선 아래 영역
기간: 기준선
조사관은 딥 러닝 시스템의 수신기 작동 특성 곡선 아래 영역을 계산하고 딥 러닝 시스템과 인간 의사 간의 이 지수를 비교할 것입니다.
기준선

2차 결과 측정

결과 측정
측정값 설명
기간
딥러닝 시스템의 감도
기간: 기준선
연구자들은 딥러닝 시스템의 민감도를 계산하고 이 지수를 딥러닝 시스템과 인간 의사 사이에서 비교할 것입니다.
기준선
딥러닝 시스템의 특수성
기간: 기준선
조사관은 딥 러닝 시스템의 특이성을 계산하고 딥 러닝 시스템과 인간 의사 간의 이 지수를 비교할 것입니다.
기준선

공동 작업자 및 조사자

여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.

스폰서

Sun Yat-sen University

간행물 및 유용한 링크

연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.

일반 간행물

연구 기록 날짜

이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.

연구 주요 날짜

연구 시작 (실제)

2014년 1월 1일

기본 완료 (예상)

2020년 2월 1일

연구 완료 (예상)

2020년 5월 1일

연구 등록 날짜

최초 제출

2019년 12월 23일

QC 기준을 충족하는 최초 제출

2019년 12월 24일

처음 게시됨 (실제)

2019년 12월 30일

연구 기록 업데이트

마지막 업데이트 게시됨 (실제)

2019년 12월 30일

QC 기준을 충족하는 마지막 업데이트 제출

2019년 12월 24일

마지막으로 확인됨

2019년 12월 1일

추가 정보

이 연구와 관련된 용어

추가 관련 MeSH 약관

기타 연구 ID 번호

  • CCPMOH2019- China8

개별 참가자 데이터(IPD) 계획

개별 참가자 데이터(IPD)를 공유할 계획입니까?

아니

약물 및 장치 정보, 연구 문서

미국 FDA 규제 의약품 연구

아니

미국 FDA 규제 기기 제품 연구

아니

이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .

특수 증상에 대한 임상 시험

유사한 임상시험 검색

스폰서 및 공동 작업자

건강 상태

약물 개입

CROs by country

CROs in Bosnia & Herzegovina

정황

희귀 질병

약물 개입

식이 보충제

스폰서 / 협력자

위치

3
구독하다