피부 단일 병변 진단에서 CNN 기반 AI 대 의사
단일 피부 병변 진단에서 CNN 기반 인공지능 모델과 피부과 의사 및 비피부과 의사의 비교
이 관찰 연구의 목표는 단일 피부 병변을 가진 환자에서 CNN 기반 인공지능 모델의 진단 정확도를 평가하는 것입니다. 이 연구가 답하고자 하는 주요 질문은 다음과 같습니다:
- CNN 기반 모델이 육안적 임상 이미지를 사용하여 단일 피부 병변을 식별할 때의 진단 성능(민감도 및 특이도)은 무엇인가?
- CNN 기반 모델의 진단 정확도는 피부과 전문의 및 비피부과 전문의 의사의 평가와 비교하여 어떠한가?
연구자들은 AI 모델의 진단 결과를 피부과 전문의 및 비피부과 전문의 의사의 독립적 평가와 비교하여 AI 모델이 인간 임상의와 비슷하거나 더 나은 진단 성능을 달성할 수 있는지 확인할 것입니다.
참가자(임상 판독자 역할을 하는 의사)는 다음과 같은 작업을 수행할 것입니다:
- 후향적 환자 아카이브에서 추출한 사전 정의된 익명화된 육안적 임상 이미지 세트를 독립적으로 검토합니다.
- 환자 병력이나 조직병리학적 결과에 접근하지 않고 이미지만을 기반으로 각 병변에 대한 일차 진단을 제공합니다.
- 그들의 평가를 제출하여 표준 진단(조직병리학적 진단) 및 AI 모델의 결과와 비교합니다.
연구 개요
상세 설명
본 연구는 거시적 임상 이미지를 사용하여 단독 피부 병변의 평가에서 컨볼루션 신경망(CNN) 기반 인공지능 모델의 성능을 평가하기 위해 설계된 후향적, 관찰적 진단 정확도 연구입니다.
조직병리학적 또는 임상적으로 확진된 진단을 가진 단독 피부 병변의 거시적 임상 이미지는 이스탄불 교육 및 연구 병원의 피부과 이미지 아카이브에서 후향적으로 검색될 것입니다. 모든 이미지와 관련 임상 문서는 분석 전 익명화되며, 식별 가능한 시각적 또는 텍스트 정보는 제거될 것입니다. 데이터 처리 및 분석은 연구팀으로만 접근이 제한된 안전한 기관 기반 환경에서 수행될 것입니다.
지도 학습 기법을 사용하여 CNN 기반 인공지능 모델이 개발될 것입니다. 이미지 전처리 단계에는 표준화된 입력 크기로 조정, 색상 정규화, 잠재적으로 식별 가능한 정보를 포함하는 영역 제거가 포함될 것입니다. 데이터셋은 모델 개발, 하이퍼파라미터 최적화, 독립적인 성능 평가를 가능하게 하기 위해 훈련, 검증, 테스트 하위 집합으로 분할될 것입니다. 모델 훈련 및 평가는 PyTorch 딥러닝 프레임워크를 사용하여 구현될 것입니다.
CNN 기반 모델의 진단 성능은 표준 분류 지표를 사용하여 평가되며, 추가적인 임상 또는 조직병리학적 정보에 접근하지 않고 동일한 익명화된 이미지 세트를 평가하는 피부과 전문의, 피부과 레지던트, 비피부과 의사의 독립적인 평가와 비교될 것입니다. 인공지능 모델과 의사 그룹 간의 진단 성능 및 일치도 차이를 평가하기 위해 비교 분석이 수행될 것입니다.
연구 유형
등록 (추정된)
연락처 및 위치
연구 장소
-
-
Fatih
-
Istanbul, Fatih, 터키 (Türkiye), 34098
- S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 임상 이미지가 과학적 연구에 사용되는 것에 대해 동의서를 제공한 환자.
- 인공지능 구조와의 호환성을 보장하기 위해 해상도가 224x224 픽셀을 초과하는 임상 이미지.
- 확진된 단일 피부 병변의 회고적 기록.
제외 기준:
- 연구 목적으로 임상 사진 사용에 동의하지 않은 환자.
- 환자의 익명성을 저해할 수 있는 개인 식별 정보나 시각적 특징이 포함된 이미지.
- 해상도가 224x224 픽셀 미만이거나 진단 품질이 낮은 이미지(예: 흐림, 심한 폐쇄).
- 동일 병변에 대한 중복 이미지 또는 기록.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
개발 및 검증 코호트
본 연구는 확진된 조직병리학적 진단을 보유한 17,625개의 보관된 임상 기록으로 구성된 단일군 후향적 연구입니다.
코호트는 AI 모델 개발을 위한 주요 데이터셋으로 활용될 것입니다.
테스트 데이터셋의 특정 하위 집합은 피부과 전문의 및 비피부과 전문의 의사 패널에 의해 객관식 진단 과제를 통해 독립적으로 평가될 것입니다.
AI 모델의 성능은 금표준 조직병리학적 결과와 인간 관찰자의 진단 정확도 모두와 비교될 것입니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
CNN 기반 인공지능 모델의 진단 정확도
기간: 기준선 (후향적 데이터 분석은 4개월 이내에 완료될 예정입니다)
|
단일 피부 병변 진단에서 컨볼루션 신경망(CNN) 기반 인공지능 모델의 진단 정확도는 육안적 임상 이미지를 기반으로 한 정확도와 수신자 조작 특성 곡선 아래 면적(ROC-AUC) 값을 사용하여 평가될 것입니다.
|
기준선 (후향적 데이터 분석은 4개월 이내에 완료될 예정입니다)
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
CNN 기반 모델과 피부과 전문의 간 진단 성능 차이
기간: 기준선 (5개월 내 완료 예정)
|
동일한 육안적 임상 이미지 세트를 사용하여 정확도 지표를 기반으로 CNN 기반 인공 지능 모델과 피부과 의사의 진단 성능 차이를 평가할 것입니다.
|
기준선 (5개월 내 완료 예정)
|
|
CNN 기반 모델과 비피부과 의사의 진단 성능 차이
기간: 기준선 (5개월 내 완료 예정)
|
CNN 기반 인공지능 모델과 비피부과 전문의의 진단 성능 차이는 동일한 이미지 세트를 사용한 정확도 지표를 기반으로 평가될 것입니다.
|
기준선 (5개월 내 완료 예정)
|
|
CNN 기반 모델과 의사 그룹의 민감도, 특이도
기간: 기준선 (5개월 이내 완료 예정)
|
단일 피부 병변 평가에서 CNN 기반 인공지능 모델과 의사 그룹의 민감도, 특이도를 계산하고 비교할 것입니다.
|
기준선 (5개월 이내 완료 예정)
|
|
CNN 기반 모델과 의사 그룹의 F1 점수
기간: 기준선 (5개월 내 완료 예상)
|
CNN 기반 인공지능 모델과 의사 그룹의 F1-점수 값을 단일 피부 병변 평가에서 계산 및 비교할 것입니다.
|
기준선 (5개월 내 완료 예상)
|
공동 작업자 및 조사자
수사관
- 연구 의자: Ayşe Esra Koku Aksu, MD, Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- SBU-IEAH-KAEK-20260109-19
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
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. .