비피부과 전문의의 피부질환 진단 정확도에 관한 심층신경망
2022년 10월 25일 업데이트: Pyoeng Gyun Choe
피부과 전문의가 아닌 의사의 피부질환 진단 정확도에 대한 심층신경망의 효과
배경: 심층 신경망(DNN)은 실험 환경에서 많은 종류의 피부 질환에 적용되었습니다.
목적: 이 연구의 목적은 실제 환경에서 비 피부과 의사의 피부 질환 진단을 위한 심층 신경망의 증강을 확인하는 것입니다.
방법: 단일 3차 진료 병원의 총 40명의 비피부과 의사가 등록됩니다. DNN 그룹과 통제 그룹으로 무작위 배정됩니다. 연구자들은 두 그룹을 비교함으로써 심층 신경망을 사용하여 피부 질환 진단에 미치는 영향을 정확도 측면에서 추정할 것입니다.
연구 개요
상세 설명
DNN 그룹과 컨트롤 그룹에서 이러한 단계는 동일한 프로세스입니다.
- 적격한 모든 연속 시리즈 환자에 대한 일상적인 검사 및 피부 병변 사진 캡처.
- 임상진단(BEFORE-DX)
- 임상진단(AFTER-DX)
- 피부과 전문의에게 상담하다
DNN 그룹에서는 의사가 BEFORE-DX를 만든 후 심층 신경망을 사용하고 심층 신경망 결과를 고려하여 AFTER-DX를 만듭니다(Model Dermatology, build 2020).
대조군에서는 BEFORE-DX를 만든 후 의사가 피부 병변 사진을 한 번 더 검토한 후 AFTER-DX를 만든다.
Ground Truth는 가능한 경우 생검 또는 피부과 전문의의 합의된 진단을 기반으로 합니다.
조사관은 6개월 연속 연구 후 DNN 그룹과 통제 그룹 간의 정확도를 비교할 것입니다.
연구 유형
중재적
등록 (실제)
55
단계
- 해당 없음
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
-
Seoul, 대한민국, 03080
- Seoul National University Hospital
-
-
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
- 성인
- OLDER_ADULT
- 어린이
건강한 자원 봉사자를 받아들입니다
아니
연구 대상 성별
모두
설명
포함 기준:
- 본 연구 참여에 동의한 비 피부과 전문의(레지던트)
제외 기준:
- 피부과 레지던트
- 피부 병변 진단을 위해 다른 심층 신경망을 사용하는 비 피부과 레지던트
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위
- 중재 모델: 평행한
- 마스킹: 없음
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: DNN 그룹
피부 병변 진단을 위한 심층 신경망 사용
|
DNN 그룹의 의사들은 피부 병변의 사진을 찍고 사진을 업로드하여 알고리즘을 사용합니다.
|
|
NO_INTERVENTION: 대조군
기존의 진단
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Top-1 진단 정확도
기간: 6개월 연속
|
올바른 Top-1 예측 빈도
|
6개월 연속
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Top-2 및 3 진단 정확도
기간: 6개월 연속
|
올바른 Top-2 및 3 예측 빈도
|
6개월 연속
|
|
감염 민감도
기간: 6개월 연속
|
감염 진단 양성률
|
6개월 연속
|
|
악성 감수성
기간: 6개월 연속
|
악성 진단 양성률
|
6개월 연속
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
스폰서
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
- 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.
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)
2020년 11월 27일
기본 완료 (실제)
2021년 11월 27일
연구 완료 (실제)
2021년 12월 27일
연구 등록 날짜
최초 제출
2020년 11월 13일
QC 기준을 충족하는 최초 제출
2020년 11월 13일
처음 게시됨 (실제)
2020년 11월 19일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2022년 10월 27일
QC 기준을 충족하는 마지막 업데이트 제출
2022년 10월 25일
마지막으로 확인됨
2022년 10월 1일
추가 정보
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. .