- ICH GCP
- 미국 임상 시험 레지스트리
- 임상시험 NCT05643612
외상성 비장 손상 감지 및 순차적 현지화를 위한 딥러닝 알고리즘
외상성 비장 손상 감지 및 순차적 위치 파악을 위한 3차원 약지도 딥러닝 알고리즘
비장 열상은 치명적인 복부 외상이며 일반적으로 컴퓨터 단층 촬영과 같은 의료 이미지로 진단됩니다. 딥 러닝은 의료 영상의 이상을 감지하는 데 사용이 입증되었습니다.
이 시험에서는 비식별화된 레지스트리 데이터뱅크를 사용하여 비장 외상을 감지하고 부상 위치를 식별하는 새로운 딥 러닝 기반 알고리즘을 개발했습니다.
연구 개요
상세 설명
배경
비장 손상은 복부 둔기 외상에서 가장 흔한 고형 내장 손상이며 고해상도 복부 컴퓨터 단층촬영(CT)으로 손상을 적절하게 감지할 수 있습니다. 그러나 이러한 치명적인 부상은 때때로 현재의 관행에서 간과되었습니다. 딥 러닝 알고리즘은 의료 영상에서 비정상적인 결과를 감지하는 능력을 입증했습니다. 이 연구의 목적은 순차적 국소화 및 분류 접근법을 사용하여 복부 CT에서 비장 손상을 감지하기 위한 3차원 무감독 딥러닝 알고리즘을 개발하는 것입니다.
재료 및 방법
2008년 7월부터 2017년 12월까지 외상과 급성 복부로 린코 장궁기념병원 응급실에서 조영제강화복부CT를 시행한 환자들을 대상으로 후향적으로 자료를 수집하였다. 모든 환자는 외상 및 급성 복부 레지스트리에 등록되었습니다. 연령, 성별, 질병 진단, 외상 기전, 손상 심각도 점수, 새로운 손상 심각도 점수, 약식 손상 척도 및 비장 손상 등급을 포함한 인구통계학적 정보를 수집했습니다. 비장 손상을 보여주는 스캔은 양성으로 확인되었고 나머지 스캔은 음성 대조군으로 정의되었습니다. 우리는 비장 손상이 있는 300개의 정맥 위상 스캔을 식별하고 음성 대조군에서 무작위로 300개의 추가 정맥 위상 스캔을 선택했습니다. 비장 손상 이외의 복부 외상 손상이 있는 CT 스캔은 선택 편향을 줄이기 위해 제외되지 않았습니다. 모든 데이터는 층화 샘플링을 사용하여 연령, 성별, 비장 손상의 존재 및 손상 심각도 점수에 따라 발달 데이터 세트와 테스트 세트를 8:2 비율로 나누었습니다. 개발 데이터 세트의 1/8은 모델 구성 중에 유효성 검사 세트로 추가로 예약되었습니다.
이미지 전처리 및 라벨링
CT 스캔 이미지는 원본 DICOM(Digital Imaging and Communications in Medicine) 형식으로 수집되었습니다. 그런 다음 이미지를 Neuroimaging Informatics Technology Initiative 형식으로 변환하여 3D 복셀 기반 이미지를 생성했습니다. 그런 다음 우리의 알고리즘은 복부 외상 조사에서 가장 일반적인 영상 방향인 정맥 축 절편을 기반으로 개발되었습니다. 학습 과정에서 모델 일반화 가능성을 높이기 위해 변환, 회전, 스케일링 및 탄성 왜곡에 의한 이미지 확대가 적용되었습니다.
10년 경력의 외상 전문의가 양성 및 음성 스캔을 모두 확인했습니다. 모든 스캔에서 주변 배경이 있는 비장은 수동으로 그린 3D 경계 상자로 덮여 있습니다.
비장 현지화
현지화 모델은 Resnet-101을 백본 구조로 사용하는 3D Faster RCNN을 기반으로 설계되었으며 개발 데이터 세트에서 훈련되었습니다. 우리는 클래스 손실로 교차 엔트로피, 초점 손실, 상자 회귀 손실로 L1 손실, DIOU(Distance Intersection over Union)를 사용했으며, NMS(Non-maximum suppression)에서 IOU(Intersection over Union) 및 DIOU를 채택하여 학습했습니다. 객체 감지 알고리즘.
비장 손상 식별 및 시각화
자른 3D 이미지는 비장 손상 분류 모델을 개발하는 데 사용되었습니다. 우리는 학습된 네트워크의 추론 프로세스의 해석 가능성을 향상시키기 위해 블록 아키텍처를 수정했습니다. 모델의 출력은 비장 손상의 확률이었습니다.
모델 성능은 AUROC(Receiver Operating Characteristic Curve) 아래 영역, 정확도, 민감도, 특이도, 양의 예측값 및 음의 예측값을 사용하여 평가되었습니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
-
Taoyuan, 대만, 333
- Chang Gung Memorial Hospital
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
샘플링 방법
연구 인구
설명
포함 기준:
- 2008년 7월부터 2017년 12월까지 외상 및 급성 복부 검사로 응급실에서 복부 컴퓨터 단층촬영을 시행한 환자.
제외 기준:
- 품질이 좋지 않은 이미지
- 컴퓨터 단층 촬영 이미지의 대조 시리즈가 없습니다.
- 적절한 평가 없이 다른 병원의 이미지
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: 다른
- 시간 관점: 회고전
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
---|---|
비장 손상 그룹
2008년 7월부터 2017년 12월까지 외상과 급성 복부로 린코 장궁기념병원 응급실에서 조영제강화복부CT를 시행한 환자들을 대상으로 후향적으로 자료를 수집하였다.
우리는 비장 손상이 있는 300개의 정맥 위상 스캔을 확인했습니다.
|
CT 스캔에서 비장 손상을 식별하기 위한 순차적 2단계 3D 비장 손상 감지 프레임워크
|
대조군
2008년 7월부터 2017년 12월까지 외상과 급성 복부로 린코 장궁기념병원 응급실에서 조영제강화복부CT를 시행한 환자들을 대상으로 후향적으로 자료를 수집하였다.
비장 손상 없이 300개의 추가 정맥 위상 스캔을 무작위로 선택했습니다.
|
CT 스캔에서 비장 손상을 식별하기 위한 순차적 2단계 3D 비장 손상 감지 프레임워크
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
진단 정확도
기간: 3 일
|
비장 손상을 감지하기 위한 딥러닝 알고리즘의 진단 정확도
|
3 일
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
알고리즘의 차이 백본 비교
기간: 3 일
|
딥 러닝 알고리즘의 서로 다른 인프라 간 진단 정확도의 차이
|
3 일
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Chien-Hung Liao, MD., Chang Gung Memorial Hospital
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (추정)
연구 기록 업데이트
마지막 업데이트 게시됨 (추정)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
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. .
딥 러닝 알고리즘에 대한 임상 시험
-
Medtronic Bakken Research CenterMedtronic종료됨
-
Centre for Addiction and Mental HealthCanadian Institutes of Health Research (CIHR); Brainsway완전한
-
St. Joseph's Healthcare HamiltonPeter Boris Centre for Addictions Research (PBCAR)모병
-
Klein Buendel, Inc.National Institute on Aging (NIA); Penn State University초대로 등록
-
Rotman Research Institute at BaycrestCentre for Addiction and Mental Health; Brainsway모병
-
Rotman Research Institute at BaycrestCentre for Addiction and Mental Health; Brainsway모병