CT-gebaseerd diep leren voor het differentiëren van acute en chronische osteoporotische wervelcompressiefracturen (CT-DL-OVCF)
Een deep learning-model op basis van CT-beelden voor het differentiëren van acute en chronische osteoporotische wervelcompressiefracturen
Osteoporotische wervelcompressiefracturen komen vaak voor bij oudere volwassenen en kunnen zich manifesteren als acute of chronische fracturen. Het correct onderscheiden van acute en chronische fracturen is klinisch belangrijk omdat behandelstrategieën en managementbeslissingen verschillen afhankelijk van de chroniciteit van de fractuur. Het onderscheiden van acute en chronische osteoporotische wervelcompressiefracturen op basis van beeldvormingsbevindingen alleen kan echter een uitdaging zijn in de dagelijkse klinische praktijk.
Deze retrospectieve studie heeft tot doel een intelligent diagnosesysteem te ontwikkelen op basis van computertomografie (CT)-beelden om acute en chronische osteoporotische wervelcompressiefracturen te onderscheiden. Klinische en beeldvormingsgegevens van patiënten met de diagnose osteoporotische wervelcompressiefracturen worden verzameld van het Eerste Geaffilieerde Ziekenhuis van de Chongqing Medical University en een extra medisch centrum. Een deep learning-model zal worden getraind om automatisch CT-beelden te analyseren en fracturen te classificeren als acuut of chronisch.
De resultaten van deze studie kunnen helpen de nauwkeurigheid en efficiëntie van het beoordelen van fractuurchroniciteit met behulp van CT-beelden te verbeteren en ondersteunende informatie te bieden voor klinische besluitvorming met betrekking tot behandelingselectie bij patiënten met osteoporotische wervelcompressiefracturen.
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Deze studie is een retrospectieve, multicenter observationele studie die is ontworpen om een deep learning-gebaseerd systeem te ontwikkelen en te evalueren voor het onderscheiden van acute en chronische osteoporotische vertebrale compressiefracturen met behulp van computertomografie (CT) beelden.
Patiënten bij wie osteoporotische vertebrale compressiefracturen zijn vastgesteld en die zowel CT- als magnetische resonantiebeeldvorming (MRI)-onderzoeken hebben ondergaan, worden retrospectief verzameld van het Eerste Gekenmerkte Ziekenhuis van Chongqing Medical University en één extra medisch centrum tussen januari 2023 en september 2025. Klinische gegevens, waaronder leeftijd, geslacht en dual-energy X-ray absorptiometrie (DXA)-resultaten, evenals complete DICOM-formaat CT- en MRI-beelden, worden verzameld. Het interval tussen CT- en MRI-onderzoeken moet minder dan twee weken zijn. Patiënten met pathologische fracturen veroorzaakt door infectie of tumor, de aanwezigheid van vreemde materialen zoals botcement of metalen hardware, of slechte beeldkwaliteit met significante artefacten worden uitgesloten.
De studieworkflow omvat gegevensverzameling, modelontwikkeling, prestatie-evaluatie en modelinterpreteerbaarheidsanalyse. Meerdere deep learning segmentatiemodellen, waaronder U-Net, U-Mamba en UNETR++, worden eerst geëvalueerd op prestaties voor wervelsegmentatie. Op basis van de optimale segmentatieresultaten worden classificatiemodellen zoals VGG-16, DenseNet-121, Vision Transformer (ViT) en Transformer-gebaseerde architecturen getraind om acute en chronische compressiefracturen te onderscheiden. Het best presterende model wordt geselecteerd om het uiteindelijke classificatiesysteem te construeren.
Modelprestaties voor segmentatietaken worden beoordeeld met behulp van de Dice-overeenkomstcoëfficiënt en verlieswaarden. Classificatieprestaties worden geëvalueerd in een externe validatiedataset met behulp van de oppervlakte onder de receiver operating characteristic curve (AUC), gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde en negatief voorspellende waarde. Receiver operating characteristic curves en verwarringsmatrices worden gegenereerd om modelprestaties te visualiseren.
Om de interpreteerbaarheid van het model te verbeteren, wordt gradient-weighted class activation mapping (Grad-CAM) toegepast om heatmaps te genereren die beeldregio's benadrukken die het meest bijdragen aan modelvoorspellingen. Deze heatmaps worden over CT-beelden gelegd om visueel aan te tonen hoe het model acute en chronische osteoporotische vertebrale compressiefracturen onderscheidt.
Op basis van een vooraf bepaalde steekproefgrootteberekening, uitgaande van een gevoeligheid van 0,90, een significantieniveau van 0,05 en een toegestane fout van 0,05, worden in totaal 276 patiënten (138 acute en 138 chronische gevallen) verwacht in deze studie te worden opgenomen.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studie Locaties
-
-
Chongqing Municipality
-
Chongqing, Chongqing Municipality, China, 400016
- The First Affiliated Hospital of Chongqing Medical University
-
Contact:
- Xin Fan
- Telefoonnummer: +86 23 89011876
- E-mail: 202770@hospital.cqmu.edu.cn
-
Contact:
- E-mail: 202770@hospital.cqmu.edu.cn
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Inclusiecriteria:
- Patiënten gediagnosticeerd met osteoporotische wervelcompressiefracturen.
- Patiënten die zowel CT- als MRI-onderzoeken van de wervelkolom ondergingen, met een interval van minder dan 2 weken tussen de onderzoeken.
- Beschikbaarheid van volledige CT- en MRI-beeldvormingsgegevens in DICOM-formaat.
- Beschikbaarheid van volledige klinische informatie, waaronder leeftijd, geslacht en dual-energy X-ray absorptiometry (DXA)-resultaten.
- Leeftijd 50 jaar of ouder ten tijde van de beeldvorming.
Exclusiecriteria:
- Wervelcompressiefracturen veroorzaakt door infectie of maligniteit.
- Aanwezigheid van vreemde materialen, inclusief botcement of metalen hardware.
- Slechte beeldkwaliteit of significante beeldvormingsartefacten die de analyse beïnvloeden.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Acute Osteoporotische Vertebrale Compressiefractuur Groep
Patiënten bij wie acute osteoporotische wervelcompressiefracturen zijn vastgesteld op basis van klinische beoordeling en beeldvormingsbevindingen.
|
Dit is een retrospectief observationeel onderzoek.
Er wordt geen therapeutische, diagnostische of preventieve interventie toegewezen als onderdeel van het onderzoek.
Alle analyses zijn gebaseerd op eerder verkregen klinische en beeldvormingsgegevens.
|
|
Chronische Osteoporotische Vertebrale Compressiefractuur Groep
Patiënten bij wie op basis van klinische beoordeling en beeldvormende bevindingen chronische osteoporotische wervelcompressiefracturen zijn vastgesteld.
|
Dit is een retrospectief observationeel onderzoek.
Er wordt geen therapeutische, diagnostische of preventieve interventie toegewezen als onderdeel van het onderzoek.
Alle analyses zijn gebaseerd op eerder verkregen klinische en beeldvormingsgegevens.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostische prestaties van het deep learning-model voor het onderscheiden van acute en chronische osteoporotische wervelcompressiefracturen
Tijdsspanne: Op het moment van beeldanalyse
|
De diagnostische prestaties van het deep learning-model bij het onderscheiden van acute en chronische osteoporotische wervelcompressiefracturen op basis van CT-beelden, geëvalueerd met behulp van de oppervlakte onder de receiver operating characteristic curve (AUC).
|
Op het moment van beeldanalyse
|
Medewerkers en onderzoekers
Sponsor
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
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- KX2025-KYC1056-01
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
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 .