Multimodale beeldvormingsdiagnose en beslissingshulpsysteem voor hepatische echinokokkose op basis van beeldomics en visiemacromodel
13 september 2024 bijgewerkt door: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Hepatische echinokokkose (hepatische echinokokkose) is een belangrijke zoönotische ziekte die wijdverspreid voorkomt in de landbouw- en weidegebieden van Noordwest-China.
De ziekte kan parasitair zijn in elk deel van het menselijk lichaam en kan meerdere organen aantasten.
In ernstige gevallen verliezen patiënten het vermogen om te werken.
Momenteel wordt de ziekte geconfronteerd met uitdagingen op het gebied van diagnostische nauwkeurigheid, identificatie van specifieke typen, preoperatieve activiteitsbeoordeling, voorspelling van postoperatief recidief en beslissingsevaluatie van T-buisindentatie.
Dit probleem is vooral significant in gebieden met een hoge incidentie, waar de medische middelen ongelijk verdeeld zijn en er een tekort is aan uitstekende beeldvormende artsen en clinici.
Onze eerdere onderzoeken hebben aangetoond dat het gebruik van visuele grote modellen en beeldvormings-omics-algoritmen de lever-echinococcus-laesies effectief kan segmenteren, belangrijke kenmerken kan extraheren en artsen nauwkeurige en betrouwbare diagnose- en behandelaanbevelingen kan bieden.
Wij zijn van mening dat op basis van de transformatie van verschillende medische beeldmodi (zoals MRI, CT en echografie), gebaseerd op een bredere, multicenter grote dataset, het doel van effectieve identificatie, diagnose, chirurgische beslissingsondersteuning en postoperatieve nauwkeurige voorspelling van hepatische afwijkingen mogelijk is. Echinokokkose kan worden bereikt.
We zullen technologische oplossingen voor kunstmatige intelligentie gebruiken, zoals een netwerk voor het genereren van tegenstanders, een groot vision-model, beeldomics en fusie op beslissingsniveau, waarbij we rekening houden met de efficiëntie van diagnose en behandeling, automatisering van diagnose en behandeling en interpreteerbaarheid van diagnoseresultaten, om een alomvattende, nauwkeurige diagnose en prognose op te bouwen. systeem voor hepatische echinokokkose
Studie Overzicht
Toestand
Voltooid
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
- Automatische herkenning/efficiënte diagnose van hepatische echinokokkose: ontwikkeling van een op diepgaand leren gebaseerd AI-diagnostisch hulpmiddel gericht op het verbeteren van de differentiatie van hepatische echinokokkose van andere leverziekten zoals levercysten, leverabcessen en andere cystische ruimte-innemende laesies in de lever. De tool zal gebruik maken van generatieve vijandige netwerken en gepolariseerde zelfaandachtsalgoritmen om hepatische echinokokkose effectief te identificeren en te classificeren om de ongelijke medische middelen en het tekort aan professionele artsen in de westelijke regio te compenseren.
- Differentiële diagnose van specifieke typen hepatische echinokokkose: Onderzoek naar het gebruik van multimodale beeldvorming in combinatie met diepgaande leermethoden om het CL-type, het CE1-type en de hepatische cyste van hepatische echinokokkose te onderscheiden. Dit onderzoek zal het DINOv2-algoritme voor medische beeldsegmentatie en deep learning-technologie toepassen om gevallen met relatief ongelijk verdeelde en complexe gegevens nauwkeurig te identificeren.
- Voorspelling van postoperatief recidief van hepatische echinokokkose: Transfer learning en het Deep-SVDD-algoritme worden gebruikt om het risico op postoperatief recidief van hepatische echinokokkose te voorspellen, wat een effectieve oplossing biedt voor onevenwichtige datasets van de steekproefomvang. Door de gegevens op het medische big data-platform te integreren, werd bovendien een op AI gebaseerd postoperatief recidiefvoorspellingsmodel ontwikkeld.
Studietype
Observationeel
Inschrijving (Werkelijk)
1000
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
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, China
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen 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
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
In deze studie werd, op basis van de beeldgegevens van patiënten met leverhydatid, bevestigd door pathologie na een operatie, deep learning-technologie gebruikt om leverhydatid te onderscheiden van laesies van het cystische station in de lever, zoals levercysten en leverabces.
Beschrijving
Inclusiecriteria:
- Patiënten met volledige originele afbeeldingen in CT-, echografie- en MRI dcim-formaten
- Patiënten met leverhydatid bevestigd door pathologie na operatie
- Patiënten met volledig behoud van klinische gegevens
Uitsluitingscriteria:
- Patiënten met beeldgegevens van slechte kwaliteit
- Patiënten met onvolledige klinische gegevens
- CE4- en CE5-leverhydatidepatiënten gediagnosticeerd door alleen beeldvorming zonder chirurgische behandeling
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 |
|---|---|
|
Observatie groep
In deze studie werden preoperatieve beeldgegevens van patiënten met hepatische hydatid als onderzoeksobject genomen
|
Er werd een kunstmatig neuraal netwerk gebouwd om leverhydatide automatisch te identificeren met behulp van deep learning-technologie
|
|
Controlegroep
Levercyste, leverabces en normale lever waren de controlegroep
|
Er werd een kunstmatig neuraal netwerk gebouwd om leverhydatide automatisch te identificeren met behulp van deep learning-technologie
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
roc-curve
Tijdsspanne: 2024,7-2026,3
|
Werkingskarakteristiek van de ontvanger
|
2024,7-2026,3
|
|
AUC
Tijdsspanne: 2024,7-2026,3
|
Gebied onder de ROC-curve
|
2024,7-2026,3
|
|
PPV
Tijdsspanne: 2024,7-2026,3
|
Positieve voorspellende waarde
|
2024,7-2026,3
|
|
NCW
Tijdsspanne: 2024,7-2026,3
|
Negatieve voorspellende waarde
|
2024,7-2026,3
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Onderzoekers
- Studie directeur: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen 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.
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)
30 september 2023
Primaire voltooiing (Werkelijk)
12 september 2024
Studie voltooiing (Werkelijk)
12 september 2024
Studieregistratiedata
Eerst ingediend
2 augustus 2024
Eerst ingediend dat voldeed aan de QC-criteria
2 augustus 2024
Eerst geplaatst (Werkelijk)
6 augustus 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
19 september 2024
Laatste update ingediend die voldeed aan QC-criteria
13 september 2024
Laatst geverifieerd
1 september 2024
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SYSKY-2024-517-01
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Beschrijving IPD-plan
Relevante medische beeldgegevens hebben betrekking op de privacy van patiënten, en de onderzoeksgroep weigerde deze te delen
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 .