Screening og identifisering av lever- og gallesykdommer via dyp læring ved hjelp av okulære bilder
16. august 2020 oppdatert av: Haotian Lin, Sun Yat-sen University
Kunstig intelligens kan gi innsikt i å utforske den potensielle skjulte assosiasjonen bak og avsløre noen tidlige endringer i okulær arkitektur hos individer med lever- og gallesykdommer.
Vi utførte et pionerarbeid for å utforske assosiasjonen mellom øyet og leveren via dyp læring, for å utvikle og evaluere forskjellige dyplæringsmodeller for å forutsi hepatobiliær sykdom ved å bruke okulære bilder.
Studieoversikt
Status
Fullført
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Faktiske)
1789
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- VOKSEN
- OLDER_ADULT
- BARN
Tar imot friske frivillige
Ja
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Bilder med spaltelamper og netthinnefundus samlet inn fra Institutt for infeksjonssykdommer, Third Affiliated Hospital of Sun Yat-sen University, Department of Infectious Diseases, Third Affiliated Hospital of Sun Yat-sen University, Affiliated Huadu Hospital of Southern Medical University, Nantian Medical Center av Aikang Health Care, og Huanshidong Medical Center of Aikang Health Care.
Beskrivelse
Inklusjonskriterier:
- Kvaliteten på fundus- og spaltelampebilder bør være klinisk akseptabel.
- Mer enn 90 % av fundusbildeområdet, inkludert fire hovedområder (optisk disk, makulær, øvre og nedre netthinnekarbuer) er enkle å lese og skille mellom.
- Mer enn 90 % av spaltelampens bildeareal inkludert tre hovedområder (sklera, pupill og linse) er enkle å lese og skille mellom.
Ekskluderingskriterier:
- Bilder med lyslekkasje (>10 % av området), flekker fra linseflammer eller flekker og overeksponering ble ekskludert fra videre analyse.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
utviklingsdatasett 01
Bilder med spaltelamper og netthinnefundus samlet inn fra avdelingen for hepatobiliær kirurgi ved det tredje tilknyttede sykehuset ved Sun Yat-sen University.
|
Treningsdatasettet ble brukt til å trene dyplæringsmodellen, som ble validert og testet av de to andre datasettene.
|
|
utviklingsdatasett 02
Spaltelampe og netthinnefundusbilder samlet fra tilknyttede Huadu Hospital ved Southern Medical University.
|
Treningsdatasettet ble brukt til å trene dyplæringsmodellen, som ble validert og testet av de to andre datasettene.
|
|
utviklingsdatasett 03
Spaltelampe og netthinnefundusbilder samlet fra Nantian Medical Center of Aikang Health Care.
|
Treningsdatasettet ble brukt til å trene dyplæringsmodellen, som ble validert og testet av de to andre datasettene.
|
|
testdatasett 01
Bilder med spaltelamper og netthinnefundus samlet fra Institutt for infeksjonssykdommer, tredje tilknyttede sykehus ved Sun Yat-sen University.
|
Treningsdatasettet ble brukt til å trene dyplæringsmodellen, som ble validert og testet av de to andre datasettene.
|
|
testdatasett 02
Bilder med spaltelamper og netthinnefundus samlet fra Huanshidong Medical Center of Aikang Health Care.
|
Treningsdatasettet ble brukt til å trene dyplæringsmodellen, som ble validert og testet av de to andre datasettene.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
område under mottakerens driftskarakteristiske kurve for dyplæringssystemet
Tidsramme: grunnlinje
|
Etterforskerne vil beregne arealet under mottakerens driftskarakteristiske kurve for dyplæringssystem og sammenligne denne indeksen mellom dyplæringssystem og menneskelige leger
|
grunnlinje
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
sensitivitet og spesifisitet til dyplæringssystemet
Tidsramme: grunnlinje
|
Etterforskerne vil beregne følsomheten og spesifisiteten til dyplæringssystem og sammenligne denne indeksen mellom dyplæringssystem og menneskelige leger
|
grunnlinje
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
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)
1. desember 2018
Primær fullføring (FAKTISKE)
31. januar 2020
Studiet fullført (FAKTISKE)
31. januar 2020
Datoer for studieregistrering
Først innsendt
25. desember 2019
Først innsendt som oppfylte QC-kriteriene
25. desember 2019
Først lagt ut (FAKTISKE)
30. desember 2019
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
18. august 2020
Siste oppdatering sendt inn som oppfylte QC-kriteriene
16. august 2020
Sist bekreftet
1. august 2020
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- AEHD-2019
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. .