장폐색 방사선 사진 분류에 대한 딥러닝
2024년 3월 13일 업데이트: The First Affiliated Hospital of Soochow University
직립 복부 방사선 사진에서 장폐색을 분류하기 위한 자기 지도 학습
배경: 수직 복부 방사선 사진에서 방해 부위를 정확하게 표시하는 것은 어려운 작업입니다. Ground Truth가 부족하면 지도 학습 모델의 성능이 저하됩니다. 이 문제를 해결하기 위해 몇 가지 확인된 샘플을 사용하여 정상, 소장 폐쇄(SBO) 및 대장 폐쇄(LBO) 방사선 사진을 분류하는 자가 지도 학습(SSL)이 제안되었습니다.
방법: 확인된 소수의 방사선 사진과 라벨이 붙지 않은 다수의 방사선 사진을 사실에 기초하여 분류했습니다. SSL 모델은 먼저 라벨이 지정되지 않은 방사선 사진에 대해 학습된 다음 확인된 방사선 사진에 대해 미세 조정되었습니다. ResNet50과 VGG16은 훈련 과정에서 가중치와 매개변수가 조정된 임베디드 기본 인코더에 사용되었습니다. 또한 지도 학습 모델 및 인간 통역사와 비교하여 독립적인 데이터 세트에서 테스트되었습니다. 마지막으로 t-SNE와 Grad-CAM을 사용하여 모델 해석을 시각화했습니다.
연구 개요
연구 유형
관찰
등록 (추정된)
4500
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Jiangsu
-
Suzhou, Jiangsu, 중국, 215006
- TheFirst Affiliated Hospital of Soochow University
-
-
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
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
확률 샘플
연구 인구
직립 복부 방사선 사진을 받은 참가자가 이 연구에 포함되었습니다.
복부 방사선 사진이 정상인 참가자, 소장 폐쇄가 있는 참가자, 대장 폐쇄가 있는 참가자로 나눌 수 있습니다.
연구는 포함 및 제외 기준을 엄격하게 따릅니다.
설명
포함 기준:
- 병원 영상 시스템은 2022년에서 2024년 사이에 장폐색 또는 정상으로 진단된 단순 복부 기립 필름을 찾았습니다.
- 18세 ~ 80세
- 가장 큰 불만은 위장 증상이었습니다.
제외 기준:
- 이미지 간섭, 퍼지 성능, 구별하기 어려움
- 비위장관 증상이 주요 불만사항이었습니다.
- 앙와위, 엎드린 자세 또는 측면 욕창 방사선 촬영
- 마비성 방해, 폐쇄 루프 방해 등
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
복부 방사선 사진이 정상인 환자
추가적인 영상검사와 임상자료를 통해 복부 방사선 사진이 정상으로 확인된 환자.
영상검사에는 이후 72시간 동안의 CT, 자기공명영상(MRI), 대장내시경 검사가 포함됐고, 임상 데이터에는 최근 병원 입원 정보와 수술 기록이 포함됐다.
|
|
소장 폐쇄 방사선 사진 환자
추가 영상검사와 임상자료를 통해 확인된 소장폐색 방사선 사진 환자.
영상검사에는 이후 72시간 동안의 CT, 자기공명영상(MRI), 대장내시경 검사가 포함됐고, 임상 데이터에는 최근 병원 입원 정보와 수술 기록이 포함됐다.
위치적으로 보면 소장 폐쇄(SBO)는 십이지장, 공장, 회장을 포함합니다.
|
|
대장 폐쇄 방사선 사진을 찍은 환자
추가 영상검사와 임상자료를 통해 확인된 대장폐쇄 방사선 사진 환자.
영상검사에는 이후 72시간 동안의 CT, 자기공명영상(MRI), 대장내시경 검사가 포함됐고, 임상 데이터에는 최근 병원 입원 정보와 수술 기록이 포함됐다.
위치 측면에서 볼 때, 대장 폐쇄(SBO)는 맹장, 결장 및 직장을 포함합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
진단 및 분류 성능
기간: 일주
|
정확도, 재현율, 정밀도, F1 점수 및 혼동 행렬
|
일주
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
자기 지도 모델의 시각화된 해석
기간: 일주
|
SSL 모델의 해석을 시각화하기 위한 Grad-CAM 및 t-SNE
|
일주
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 연구 책임자: Rui Li, MD, The First Affiliated Hospital of Soochow 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
- 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.
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)
2022년 12월 31일
기본 완료 (추정된)
2024년 4월 30일
연구 완료 (추정된)
2024년 12월 31일
연구 등록 날짜
최초 제출
2024년 3월 13일
QC 기준을 충족하는 최초 제출
2024년 3월 13일
처음 게시됨 (실제)
2024년 3월 20일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2024년 3월 20일
QC 기준을 충족하는 마지막 업데이트 제출
2024년 3월 13일
마지막으로 확인됨
2024년 3월 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. .