Realistisch bij het genereren van HEp-2-celafbeeldingen met behulp van latente diffusiemodellen: een visuele Turing-test met meerdere centra
Evaluatie van het realisme van ANA HEp-2-celbeelden gesynthetiseerd met behulp van latente diffusiemodellen: een multi-center visuele Turing-test
Het doel van deze prospectieve observationele studie is om de haalbaarheid en werkzaamheid van het gebruik van latente diffusiemodellen voor gegevensvergroting in anti-nucleaire antilichamen (ANA) Hep-2-cel-immunofluorescentiebeelden rigoureus te onderzoeken. De belangrijkste vraag die het wil beantwoorden is:
Kan de toepassing van dergelijke modellen mogelijk de gegevenskwaliteit verbeteren, de diversiteit van de monsters vergroten of de nauwkeurigheid en efficiëntie van daaropvolgende analytische processen (zoals ziektediagnose en -classificatie) verbeteren wanneer ze worden gebruikt met ANA-gerelateerde beelden?
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Een fundamenteel probleem bij biomedisch onderzoek is het lage aantal beschikbare observaties, voornamelijk als gevolg van een gebrek aan beschikbare biomonsters, onbetaalbare kosten of ethische redenen. Het uitbreiden van enkele echte waarnemingen met gegenereerde in silico-monsters zou kunnen leiden tot robuustere analyseresultaten en een hogere reproduceerbaarheid. Hier stellen de onderzoekers voor om onbewaakt leren met latente diffusiemodellen te gebruiken voor het realistisch genereren van ANA-IIF-beeldgegevens.
De onderzoekers veronderstellen dat het genereren van ANA-IIF-beelden realistisch zal zijn als het moeilijk is om ze (nep) van echt (waar) te onderscheiden. Om deze hypothese te testen, presenteren de onderzoekers een Multi-center Visual Turing-test (https://turing.rednoble.net/) om de kwaliteit van de gegenereerde (nep)beelden te evalueren.
Met deze experimentele opstelling kunnen de onderzoekers de algehele kwaliteit van de gegenereerde ANA-IIF-beelden valideren, die vervolgens kunnen worden gebruikt om (1) cytopathologen op te leiden voor educatieve doeleinden, en (2) realistische monsters te genereren om diepe netwerken met big data te trainen.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studie Locaties
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, China, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Afkomstig van gerenommeerde medische instellingen
- Beschikken over relevante certificeringen en kwalificaties
- Meer dan een jaar ervaring hebben met het interpreteren van antinucleaire antilichaampatronen (ANA) in een laboratoriumomgeving
Uitsluitingscriteria:
- Ontbrekende relevante professionele certificering en kwalificaties
- Zonder ervaring met het interpreteren van ANA-patronen
- Onwillig om de regels en geïnformeerde toestemming van de visuele Turing-test te accepteren
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
experts
met meer dan 20 jaar ervaring in het lezen van ANA-IIF
|
het bepalen van het ANA-patroontype, met of zonder verwijzing naar de resultaten van de AI-modeluitvoer.
|
|
junior cytopathologen
minder dan 5 jaar academische medische ervaring
|
het bepalen van het ANA-patroontype, met of zonder verwijzing naar de resultaten van de AI-modeluitvoer.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Het realistische van beelden gesynthetiseerd door diffusiemodellen
Tijdsspanne: Basislijn
|
De onderzoekers voerden een onderzoek uit met behulp van de visuele Turing-testmethode, waarbij ze maten via een vragenlijstformaat, en beoordeelden de meetresultaten met behulp van een 5-punts Likert-schaal. De 5-punts Likertschaal beoordeelt de mening van deelnemers over de kwaliteit van afbeeldingen via vijf antwoordopties: echt, veel op elkaar lijkend, onzeker, niet helemaal zoals, nep. Het berekent scores door getallen (bijvoorbeeld 5 tot 1) aan deze opties toe te kennen, waarbij de scores voor elke deelnemer worden opgeteld. De resultaten worden geëvalueerd door de verdeling van scores, inclusief gemiddelde scores, te analyseren en hun betrouwbaarheid en validiteit te beoordelen. Bovendien berekende de onderzoeker een reeks parameters die werden gebruikt voor de interne modelbeoordeling, waaronder: inclusief precisie, terugroepactie, F1-score en gemiddelde gemiddelde precisie (mAP). |
Basislijn
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De impact van de output van het AI-model op de deelnemers
Tijdsspanne: Basislijn
|
De onderzoeker evalueerde de verandering in de nauwkeurigheid van de interpretaties van de deelnemers voor en nadat hij werd bijgestaan door het AI-model. De onderzoekers zullen een vergelijkende analyse uitvoeren.
Bovendien berekent de onderzoeker de Kappa-overeenkomstcoëfficiënt tussen menselijke interpretaties en het model, en evalueert hij of er verschillen in nauwkeurigheid zijn tussen cytopathologen met verschillende ervaringsniveaus wanneer ze worden bijgestaan door AI.
|
Basislijn
|
|
De tijd die nodig is voor de interpretatie van ANA-patronen
Tijdsspanne: Basislijn
|
De onderzoeker vergelijkt de tijd die de deelnemer nodig heeft om interpretaties te voltooien voor en na de interventie van het AI-model, en beoordeelt of er een vermindering is van de gemiddelde interpretatietijd per geval, van X minuten vóór AI-hulp tot Y minuten na AI.
|
Basislijn
|
Medewerkers en onderzoekers
Onderzoekers
- Studie directeur: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publicaties en nuttige links
Algemene publicaties
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Nuttige links
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- XH-24-007
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .