Deep Learning-gestuurde ultrasone diagnose en lokalisatie van torsie van de testisbijbal
Diepgaand leren-ondersteunde ultrasone diagnose en lokalisatie van torsie van de testiculaire appendix: een multicenter retrospectieve validatiestudie
Ultrasoundgegevens werden retrospectief verzameld van het primaire centrum en zes andere subcentra. Gecombineerd met klinische diagnostische uitkomsten, werd de datalabeling voltooid door artsen met uitgebreide klinische ervaring.
In deze studie werd YOLOv11 geadopteerd als detectienetwerk, dat werd geïntegreerd met het convolutionele aandachtmechanisme (Spatial Convolutional Block Attention Module, namelijk Spatial CBAM) en het zelfaandachtmechanisme (bijvoorbeeld Attention Convolution Mixer, ACMix). De dataset van het primaire centrum werd opgesplitst in trainings-, validatie- en testsubsets, waarop het model respectievelijk werd getraind, gevalideerd en getest; aanvullende validatie werd uitgevoerd op de dataset van het subcentrum. Tegelijkertijd werden vier artsen toegewezen om de ultrasoundgegevens van de subcentra te interpreteren met behulp van twee diagnostische methoden - onafhankelijke diagnose en kunstmatige intelligentie (AI)-ondersteunde diagnose - en de diagnostische nauwkeurigheid van deze twee benaderingen werd verder vergeleken. Door de behandelingsmethoden van patiënten in de trainingsset van het primaire centrum te verzamelen en te leren, de behandelingsmethoden van patiënten in de subcentrumdataset te voorspellen, en het aandeel operaties voorspeld door AI te vergelijken met het werkelijke aandeel operaties, werd de effectiviteit van het model geverifieerd.
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Ultrasoundgegevens werden retrospectief verzameld vanuit het primaire centrum en zes andere subcentra. Gecombineerd met klinische diagnostische uitkomsten werd de datalabeling voltooid door artsen met uitgebreide klinische ervaring.
In deze studie werd YOLOv11 gebruikt als detectienetwerk, dat werd geïntegreerd met het convolutionele aandachtmechanisme (Spatial Convolutional Block Attention Module, namelijk Spatial CBAM) en het zelfaandachtmechanisme (bijvoorbeeld Attention Convolution Mixer, ACMix). De dataset van het primaire centrum werd gesplitst in trainings-, validatie- en testsubsets, waarop het model respectievelijk werd getraind, gevalideerd en getest; aanvullende validatie werd uitgevoerd op de dataset van het subcentrum. Tegelijkertijd werden vier artsen toegewezen om de ultrasoundgegevens van de subcentra te interpreteren met behulp van twee diagnostische methoden - onafhankelijke diagnose en kunstmatige intelligentie (AI)-ondersteunde diagnose - en de diagnostische nauwkeurigheid van deze twee benaderingen werd verder vergeleken. Door de behandelmethoden van patiënten in de trainingsset van het primaire centrum te verzamelen en te leren, de behandelmethoden van patiënten in de dataset van het subcentrum te voorspellen, en het aandeel operaties voorspeld door AI te vergelijken met het werkelijke aandeel operaties, werd de effectiviteit van het model geverifieerd.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Ying Jiang, Master Degree
- Telefoonnummer: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
Studie Contact Back-up
- Naam: Juntao Jiang, Master Degree
- Telefoonnummer: 86-13968107281
- E-mail: juntaojiang@zju.edu.cn
Studie Locaties
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Contact:
- Ying Jiang, Master Degree
- Telefoonnummer: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
-
Contact:
- Jingjing Ye, PHD Degree
- Telefoonnummer: 86-13868174280
-
Hoofdonderzoeker:
- Ying Jiang, Master Degree
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Leeftijd ≤ 18 jaar
- Onderzocht met echografie vanwege acute scrotumpijn (≤ 24 uur)
- Patiënten met een klinische diagnose van torsie van de testisbijbal (TAT)
Exclusiecriteria:
- Slechte echografiebeeldkwaliteit (niet in staat testisstructuren te identificeren)
- Onvolledige klinische gegevens (niet in staat de diagnose torsie van de testisbijbal [TAT] te bevestigen)
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Testis Appendix Torsie Groep
Patiënten bij wie torsie van de bijbal is vastgesteld
|
|
Testiculaire torsie groep
Patiënten bij wie torsio testis is vastgesteld
|
|
Epididymitis Groep
Patiënten bij wie epididymitis is vastgesteld
|
|
Normale Groep
Patiënten zonder torsie van de bijbal, teelbaltorsie, bijbalontsteking en een normale scrotum
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van deep-learning model verifieert vier condities: torsie van de testikelbijbal; torsie van de testikel; epididymitis en normale conditie
Tijdsspanne: Van beeldinvoer tot resultaatgeneratie wordt verwacht dat dit 24 uur duurt
|
nauwkeurigheid van deep-learning model verifieert vier condities: torsie van testiculaire appendage; testiculair torsie; epididymitis en normale conditie
|
Van beeldinvoer tot resultaatgeneratie wordt verwacht dat dit 24 uur duurt
|
Secundaire uitkomstmaten
Uitkomstmaat |
Tijdsspanne |
|---|---|
|
Aantal deelnemers met acute scrotale pijn
Tijdsspanne: Van inschrijving begin tot het einde wordt verwacht 5 maanden te zijn
|
Van inschrijving begin tot het einde wordt verwacht 5 maanden te zijn
|
|
De nauwkeurigheidsgraad van clinici bij het diagnosticeren en lokaliseren van torsie van de appendix testis
Tijdsspanne: Vanaf het begin van de diagnose en lokalisatie door clinici tot het einde wordt verwacht 15 dagen te duren
|
Vanaf het begin van de diagnose en lokalisatie door clinici tot het einde wordt verwacht 15 dagen te duren
|
|
De nauwkeurigheid van het Deep learning-model bij het voorspellen van de behandelmethode voor torsie van de testis appendix, conservatieve behandeling of chirurgie
Tijdsspanne: Van het begin van de voorspelling van de behandeling voor torsie van de testiculaire appendix door het Deep learning-model tot het einde wordt verwacht 24 uur te duren
|
Van het begin van de voorspelling van de behandeling voor torsie van de testiculaire appendix door het Deep learning-model tot het einde wordt verwacht 24 uur te duren
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Studie directeur: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Geschat)
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
- CHZhejiangjiangying
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
IPD-tijdsbestek voor delen
IPD-toegangscriteria voor delen
IPD delen Ondersteunend informatietype
- LEERPROTOCOOL
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 .