Potentieel van diep leren bij het beoordelen van pneumoconiose afgebeeld op digitale thoraxradiografie
8 juli 2021 bijgewerkt door: Peking University Third Hospital
Onderzoek het potentieel van deep learning bij het beoordelen van pneumoconiose afgebeeld op digitale thoraxfoto's en vergelijk de prestaties ervan met gecertificeerde radiologen
Pneumoconiose komt relatief vaak voor in landen met een laag/middeninkomen, en het blijft een uitdagende taak om pneumoconiose nauwkeurig en betrouwbaar te diagnosticeren.
De onderzoekers implementeerden een deep learning-oplossing en verduidelijkten het potentieel van deep learning bij de diagnose van pneumoconiose door de prestaties ervan te vergelijken met die van twee gecertificeerde radiologen.
Het diepe leren toonde een uniek potentieel aan bij het classificeren van pneumoconiose.
Studie Overzicht
Toestand
Voltooid
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
De onderzoekers verzamelden retrospectief een dataset bestaande uit 1881 thoraxfoto's in de vorm van digitale radiografie.
Deze beelden zijn verkregen in een screening-setting op proefpersonen die een geschiedenis hadden van werken in een omgeving die hen blootstelde aan schadelijk stof.
Van deze proefpersonen werden 923 gediagnosticeerd met pneumoconiose en 958 waren normaal.
Om de proefpersonen met pneumoconiose te identificeren, pasten de onderzoekers een klassiek diep convolutioneel neuraal netwerk (CNN) genaamd Inception-V3 toe op deze beeldsets en valideerden ze de classificatieprestaties van de getrainde modellen met behulp van het gebied onder de receiver operating Characteristic Curve (AUC).
Studietype
Observationeel
Inschrijving (Werkelijk)
1881
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
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Van deze proefpersonen werden 923 gediagnosticeerd met pneumoconiose, 958 waren normaal.
Onder deze proefpersonen waren 163 vrouwen.
Beschrijving
Inclusiecriteria:
- industriële arbeiders met een voorgeschiedenis van blootstelling aan stof en die van 2015 tot 2018 een DR-screening op pneumoconiose ondergingen
Uitsluitingscriteria:
- patiënten met een slechte beeldkwaliteit
- patiënten met onvolledige klinische gegevens
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: Case-Alleen
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
convolutioneel neuraal netwerk (CNN)
een klassiek diep convolutioneel neuraal netwerk (CNN) genaamd Inception-V3 werd toegepast op de beeldsets en valideerde de classificatieprestaties van de getrainde modellen
|
CNN-architectuur genaamd U-Net-architectuur
Andere namen:
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
de diagnose pneumoconiose
Tijdsspanne: tot 6 maanden
|
De diagnose en stadiëring van pneumoconiose werd gesteld door een expertpanel bestaande uit gediplomeerde radiologen en bedrijfsartsen.
De diagnose pneumoconiose werd bevestigd door de medische geschiedenis en eerdere medische dossiers (thoraxfoto's en longfunctietesten).
|
tot 6 maanden
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Onderzoekers
- Studie stoel: Xiaohua Wang, Peking University Third Hospital
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 2015
Primaire voltooiing (Werkelijk)
31 december 2018
Studie voltooiing (Werkelijk)
31 december 2019
Studieregistratiedata
Eerst ingediend
28 juni 2021
Eerst ingediend dat voldeed aan de QC-criteria
8 juli 2021
Eerst geplaatst (Werkelijk)
15 juli 2021
Updates van studierecords
Laatste update geplaatst (Werkelijk)
15 juli 2021
Laatste update ingediend die voldeed aan QC-criteria
8 juli 2021
Laatst geverifieerd
1 juni 2021
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- M2019467
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 .