Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Diep leren in detectie en monitoring van retinoblastoom.

24 maart 2022 bijgewerkt door: Wenbin Wei, Beijing Tongren Hospital

Deep Learning computerondersteund detectiesysteem voor detectie en monitoring van retinoblastoom.

Retinoblastoom is de meest voorkomende oogkanker in de kindertijd. Oogsparende therapieën vereisen routinematige monitoring van retinoblastoomregressie en recidief om de bijbehorende behandeling te begeleiden. In de huidige studie ontwikkelen we een diepgaand leeralgoritme dat tegelijkertijd retinoblastoomtumoren op Retcam-beelden kan identificeren en onderscheid kan maken tussen actieve en inactieve retinoblastoomtumoren. Dit algoritme zal worden gevalideerd door middel van een prospectief verzamelde dataset.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Retinoblastoom, de meest voorkomende oogkanker bij kinderen, treft 1 op de 15.000 tot 1 op de 18.000 levendgeborenen. China heeft het op een na grootste aantal patiënten met retinoblastoom ter wereld. Oogbeschermende therapieën worden al ongeveer 15 jaar op grote schaal gebruikt in China. Oogsparende therapieën vereisen routinematige monitoring van retinoblastoomregressie en recidief om de bijbehorende behandeling te begeleiden. Het grootste deel van de gekwalificeerde oogartsen is echter geconcentreerd in verschillende medische centra. Diep leren op basis van Retcam-onderzoek dat retinoblastoom kan identificeren, zal de screeningsnauwkeurigheid van de lokale ziekenhuizen verminderen en de hoeveelheid toezicht verminderen. In de huidige studie werd een deep learning-algoritme ontwikkeld dat tegelijkertijd retinoblastoomtumoren op Retcam-beelden kan identificeren en onderscheid kan maken tussen actieve en inactieve retinoblastoomtumoren. Dit algoritme zal worden gevalideerd door middel van een prospectief verzamelde dataset.

Studietype

Observationeel

Inschrijving (Verwacht)

200

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Contact Back-up

Studie Locaties

    • Beijing
      • Beijing, Beijing, China, 100730
        • Werving
        • Wen-Bin Wei

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

1 seconde tot 5 jaar (KIND)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten met retinoblastoom ondergaan standaard medische behandeling.

Beschrijving

Inclusiecriteria:

  • Patiënten met retinoblastoom ondergaan standaard medische behandeling.

Uitsluitingscriteria:

  • De operators identificeerden afbeeldingen die niet beoordeeld konden worden voor een juiste diagnose, vanwege redenen zoals onscherpte en onscherpte, en sloten ze uit van verdere analyse.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Patiënten met retinoblastoom
Retinoblastoompatiënten die standaard medische zorg ondergaan in het Beijing Tongren Hospital. Het anonieme beeld van deze patiënten zal prospectief worden verzameld en geëtiketteerd door ervaren oogartsen.
Een eerder ontwikkeld algoritme voor diep leren zou worden toegepast om retinoblastoomtumoren op Retcam-beelden te identificeren en onderscheid te maken tussen actieve en inactieve retinoblastoomtumoren. De beslissing van twee verschillende senior oogartsen zou de gouden standaard zijn.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Diagnose nauwkeurigheid van deep learning algorisme
Tijdsspanne: 1 week
De diagnostische nauwkeurigheid van dit deep learning-algoritme is de verhouding tussen echt positief en echt negatief in alle geëvalueerde gevallen
1 week

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (WERKELIJK)

1 maart 2020

Primaire voltooiing (VERWACHT)

1 mei 2022

Studie voltooiing (VERWACHT)

1 oktober 2022

Studieregistratiedata

Eerst ingediend

24 maart 2022

Eerst ingediend dat voldeed aan de QC-criteria

24 maart 2022

Eerst geplaatst (WERKELIJK)

1 april 2022

Updates van studierecords

Laatste update geplaatst (WERKELIJK)

1 april 2022

Laatste update ingediend die voldeed aan QC-criteria

24 maart 2022

Laatst geverifieerd

1 maart 2022

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • AI in retinoblastoma

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .