Ontwikkeling en validatie van een deep learning-systeem voor meerdere oculaire fundusziekten met behulp van netvliesbeelden
24 december 2019 bijgewerkt door: Haotian Lin, Sun Yat-sen University
Ontwikkeling en validatie van een deep learning-systeem voor meerdere oculaire fundusaandoeningen met behulp van retinale beelden: een prospectieve studie in meerdere centra
Netvliesbeelden kunnen zowel fundus- als systemische aandoeningen (diabetes en hart- en vaatziekten) weerspiegelen en kunnen in de eerste plaats worden gebruikt voor medische kunstmatige intelligentie (AI) algoritmetraining vanwege de voordelen van klinische betekenis en gemakkelijk te verkrijgen.
Hier ontwikkelden de onderzoekers een enkel netwerkmodel dat de kenmerken van meerdere fundusziekten kan ontginnen, dat werd getraind door tal van fundusbeelden met een of meerdere ziektelabels (indien aanwezig) in elk ervan.
De prestaties van het model werden vergeleken met die van zowel autochtone als internationale oogartsen.
Het model werd verder getest door datasets met verschillende cameratypes en gevalideerd door drie externe datasets die prospectief werden verzameld van de klinische locaties waar het model zou worden toegepast.
Studie Overzicht
Studietype
Observationeel
Inschrijving (Verwacht)
300000
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510060
- Werving
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
Contact:
- Haotian Lin, Ph.D
- Telefoonnummer: +86-020-87330274
- E-mail: gddlht@aliyun.com
-
Hoofdonderzoeker:
- Haotian Lin, Ph.D
-
-
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
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
Netvliesbeelden werden verzameld van verschillende zorginstellingen in heel China en andere landen over de hele wereld.
Beschrijving
Inclusiecriteria:
- De kwaliteit van fundusbeelden dient klinisch acceptabel te zijn. Meer dan 80% van het fundusbeeldgebied, waaronder vier hoofdregio's (optische schijf, macula, bovenste en onderste retinale vatbogen) zijn gemakkelijk te lezen en te onderscheiden.
Uitsluitingscriteria:
- Afbeeldingen met lichtlekkage (> 30% van het gebied), vlekken van lensflares of -vlekken en overbelichting werden uitgesloten 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
- Observatiemodellen: Ander
- Tijdsperspectieven: Ander
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Gegevensset trainen
Netvliesbeelden verzameld uit ziekenhuizen en meerdere screeningsites in heel China
|
|
|
Validatie dataset
Netvliesafbeeldingen gescheiden van trainingsdataset
|
Trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door twee andere datasets.
|
|
Dataset testen
Netvliesbeelden die prospectief zijn verzameld uit de ziekenhuizen en screeningsites voor oogziekten die totaal verschillen van de trainingsdataset
|
Trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door twee andere datasets.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gebied onder de receiver-operating-karakteristiek van het deep learning-systeem
Tijdsspanne: basislijn
|
De onderzoekers zullen het gebied onder de karakteristieke curve van het deep learning-systeem van de ontvanger berekenen en deze index vergelijken tussen het deep learning-systeem en menselijke artsen.
|
basislijn
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevoeligheid van het deep learning-systeem
Tijdsspanne: basislijn
|
De onderzoekers zullen de gevoeligheid van het deep learning-systeem berekenen en deze index vergelijken tussen het deep learning-systeem en menselijke artsen.
|
basislijn
|
|
Specificiteit van het deep learning-systeem
Tijdsspanne: basislijn
|
De onderzoekers zullen de specificiteit van het deep learning-systeem berekenen en deze index vergelijken tussen het deep learning-systeem en menselijke artsen.
|
basislijn
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Publicaties en nuttige links
De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.
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 januari 2014
Primaire voltooiing (Verwacht)
1 februari 2020
Studie voltooiing (Verwacht)
1 mei 2020
Studieregistratiedata
Eerst ingediend
23 december 2019
Eerst ingediend dat voldeed aan de QC-criteria
24 december 2019
Eerst geplaatst (Werkelijk)
30 december 2019
Updates van studierecords
Laatste update geplaatst (Werkelijk)
30 december 2019
Laatste update ingediend die voldeed aan QC-criteria
24 december 2019
Laatst geverifieerd
1 december 2019
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- CCPMOH2019- China8
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Nee
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 .