Forskning av automatisert makulopatiscreening basert på AI-teknikker ved bruk av OCT-bilder
22. mars 2018 oppdatert av: The First Affiliated Hospital with Nanjing Medical University
Forskning av automatisert makulopatiscreening ved hjelp av optisk koherent tomografi Bildebaserte dyplæringsteknikker
Etterforskerne forventer å utvikle en algoritme som kan tolke OCT-bilder og automatisert avgjøre om makulaen er normal eller ikke ved å bruke OCT-bildebaserte dyplæringsteknikker.
Og etterforskere ønsker å utvikle programvareapplikasjoner som vil hjelpe bedre å skjerme og diagnostisere makulære sykdommer i ressursbegrensede områder.
Studieoversikt
Status
Ukjent
Forhold
Detaljert beskrivelse
Etterforskerne vil bruke dypt læringskonvolusjonelt nevralt nettverk ved å bruke ImageNet for en automatisert deteksjon av flere netthinnesykdommer med horisontale B-skanninger i OCT med en høykvalitets merket database.
Datasett, inkludert opplæringsdatasett, testdatasett og valideringsdatasett, vil bli bygget av øyeleger ved det første tilknyttede sykehuset til Nanjing Medical University i henhold til standardiserte retningslinjer for kommentarer.
Studietype
Observasjonsmessig
Registrering (Forventet)
20000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210029
- The First Affiliated Hospital with Nanjing Medical University
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
N/A
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
ingen aldersbegrenset, ingen kjønnsbasert
Beskrivelse
Inklusjonskriterier:
- Alle pasienter som går til Oftalmologiavdelingen ved det første tilknyttede sykehuset ved Nanjing Medical University innen 5 år og som mottok kjente, klare diagnoser med digital retinalavbildning (inkludert OCT, digitale fundusfotografier og fundusfluoresceinangiografi, i det minste med OCT-bilder) som en del av deres rutinemessige kliniske behandling, vil være kvalifisert for inkludering i denne studien.
Ekskluderingskriterier:
- Papirundersøkelser (dvs. bilder av papirrapporter av OCT-avbildning utført ved andre sykehus) vil ikke være kvalifisert.
- Data fra pasienter som tidligere manuelt har bedt om at dataene deres ikke skal deles, selv for forskningsformål i anonymisert form, og som har informert oftalmologisk avdeling ved det første tilknyttede sykehuset ved Nanjing Medical University om dette ønsket (selv i tidligere utførte studier eller annet pågående studier på dette sykehuset), vil bli ekskludert, og deres data vil ikke bli lastet opp til skyplattformen før forskningen starter.
- Data fra øyne tamponert med silikonolje eller gass (dvs. C3F8) vil ikke være kvalifisert.
- Data med dårlig bildekvalitet, for eksempel ufullstendige bilder, inverterte bilder, uskarpe eller sprukne bilder og bilder med svært svakt signal (dvs. glasslegemeblødning), vil ikke være kvalifisert.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Annen
- Tidsperspektiver: Tverrsnitt
Kohorter og intervensjoner
Gruppe / Kohort |
|---|
|
Normal
normal makulær struktur av horisontale OCT B-skanninger
|
|
Unormal
unormal makulær struktur av horisontale OCT B-skanninger, inkludert mange underkategorier av patologiske trekk, som epiretinal membran, pigmentepitelløsning, ect.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
mottakerdriftskarakteristikk (ROC) kurve for algoritmen
Tidsramme: ca 1 år
|
Det kalles også sensitivitetskurve.
ROC-kurven viser hvor følsom algoritmemodellen er for automatisk å oppdage ønsket utgang.
|
ca 1 år
|
|
Område under ROC-kurven (AUC)
Tidsramme: ca 1 år
|
Den viser driftsverdien til algoritmemodellen, som kan representere effekten av modellen.
|
ca 1 år
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Etterforskere
- Hovedetterforsker: Songtao Yuan, doctor, The First Affiliated Hospital with Nanjing Medical University
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
30. juni 2017
Primær fullføring (Forventet)
1. juni 2018
Studiet fullført (Forventet)
31. desember 2020
Datoer for studieregistrering
Først innsendt
26. februar 2018
Først innsendt som oppfylte QC-kriteriene
22. mars 2018
Først lagt ut (Faktiske)
26. mars 2018
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
26. mars 2018
Siste oppdatering sendt inn som oppfylte QC-kriteriene
22. mars 2018
Sist bekreftet
1. februar 2018
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- JSPH-AIOCT-001
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Nei
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .