Diep leren bij het classificeren van röntgenfoto's van darmobstructie
13 maart 2024 bijgewerkt door: The First Affiliated Hospital of Soochow University
Zelfgecontroleerd leren voor het classificeren van darmobstructie op rechtopstaande buikradiografie
Achtergrond: Nauwkeurig labelen van de obstructielocatie op een rechtopstaande buikröntgenfoto is een uitdagende taak. Het gebrek aan grondwaarheid leidt tot slechte prestaties op het gebied van begeleid leren. Om dit probleem aan te pakken, wordt zelfgecontroleerd leren (SSL) voorgesteld om röntgenfoto's van normale, dunne darmobstructie (SBO) en dikke darmobstructie (LBO) te classificeren met behulp van een paar bevestigde monsters.
Methoden: Een klein aantal bevestigde en een groot aantal niet-gelabelde röntgenfoto's werden gecategoriseerd op basis van de grondwaarheid. Het SSL-model werd eerst getraind op de ongelabelde röntgenfoto's en vervolgens verfijnd op de bevestigde röntgenfoto's. ResNet50 en VGG16 werden gebruikt voor de ingebouwde basisencoders, waarvan de gewichten en parameters tijdens het trainingsproces werden aangepast. Bovendien werd het getest op een onafhankelijke dataset, vergeleken met begeleide leermodellen en menselijke tolken. Ten slotte werden de t-SNE en Grad-CAM gebruikt om de interpretatie van het model te visualiseren.
Studie Overzicht
Toestand
Actief, niet wervend
Studietype
Observationeel
Inschrijving (Geschat)
4500
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
-
-
Jiangsu
-
Suzhou, Jiangsu, China, 215006
- TheFirst Affiliated Hospital of Soochow University
-
-
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
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
deelnemers die rechtopstaande buikröntgenfoto's kregen, werden in dit onderzoek opgenomen.
Ze kunnen worden onderverdeeld in deelnemers met normale abdominale röntgenfoto's, deelnemers met dunne darmobstructie en deelnemers met dikke darmobstructie.
Het onderzoek volgt strikt de inclusie- en exclusiecriteria.
Beschrijving
Inclusiecriteria:
- Het beeldvormingssysteem van het ziekenhuis zocht tussen 2022 en 2024 naar gewone buikfilms met de diagnose darmobstructie of normaal
- Leeftijd 18 tot 80 jaar
- De voornaamste klacht betrof maag-darmklachten
Uitsluitingscriteria:
- Beeldinterferentie, wazige prestaties, moeilijk te onderscheiden
- Niet-gastro-intestinale symptomen waren de belangrijkste klacht
- Röntgenfoto van rugligging, buikligging of laterale decubitus
- Paralytische obstructie, obstructie van de gesloten lus, et al
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 |
|---|
|
patiënten met normale abdominale röntgenfoto's
patiënten met normale abdominale röntgenfoto's, die werden bevestigd door extra beeldvormende onderzoeken en klinische gegevens.
De beeldvormende onderzoeken omvatten CT, magnetische resonantiebeeldvorming (MRI) en colonoscopie in de daaropvolgende 72 uur, terwijl de klinische gegevens recente informatie over ziekenhuisopname en aantekeningen over chirurgische operaties omvatten.
|
|
patiënten met röntgenfoto's met obstructie van de dunne darm
patiënten met röntgenfoto's van obstructie van de dunne darm, die werden bevestigd door extra beeldvormende onderzoeken en klinische gegevens.
De beeldvormende onderzoeken omvatten CT, magnetische resonantiebeeldvorming (MRI) en colonoscopie in de daaropvolgende 72 uur, terwijl de klinische gegevens recente informatie over ziekenhuisopname en aantekeningen over chirurgische operaties omvatten.
Wat de locatie betreft, betreft de dunne darmobstructie (SBO) de twaalfvingerige darm, het jejunum en het ileum
|
|
patiënten met röntgenfoto's met obstructie van de dikke darm
patiënten met röntgenfoto's van obstructie van de dikke darm, die werden bevestigd door extra beeldvormende onderzoeken en klinische gegevens.
De beeldvormende onderzoeken omvatten CT, magnetische resonantiebeeldvorming (MRI) en colonoscopie in de daaropvolgende 72 uur, terwijl de klinische gegevens recente informatie over ziekenhuisopname en aantekeningen over chirurgische operaties omvatten.
Wat de locatie betreft, heeft obstructie van de dikke darm (SBO) betrekking op de blindedarm, de dikke darm en het rectum.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostische en classificatieprestaties
Tijdsspanne: 1 week
|
Nauwkeurigheid, Recall, Precisie, F1-score en verwarringsmatrix
|
1 week
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevisualiseerde interpretatie van het zelfgecontroleerde model
Tijdsspanne: 1 week
|
Grad-CAM en t-SNE om de interpretatie van het SSL-model te visualiseren
|
1 week
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Onderzoekers
- Studie directeur: Rui Li, MD, The First Affiliated Hospital of Soochow University
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.
Algemene publicaties
- 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.
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)
31 december 2022
Primaire voltooiing (Geschat)
30 april 2024
Studie voltooiing (Geschat)
31 december 2024
Studieregistratiedata
Eerst ingediend
13 maart 2024
Eerst ingediend dat voldeed aan de QC-criteria
13 maart 2024
Eerst geplaatst (Werkelijk)
20 maart 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
20 maart 2024
Laatste update ingediend die voldeed aan QC-criteria
13 maart 2024
Laatst geverifieerd
1 maart 2024
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2022098
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 .