Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Dyp læring i retinoblastomdeteksjon og overvåking.

24. mars 2022 oppdatert av: Wenbin Wei, Beijing Tongren Hospital

Deep Learning datastøttet deteksjonssystem for retinoblastomdeteksjon og overvåking.

Retinoblastom er den vanligste øyekreften i barndommen. Øyebevarende terapier krever rutinemessig overvåking av retinoblastomregresjon og tilbakefall for å veilede tilsvarende behandling. I den nåværende studien utvikler vi en dyp læringsalgoritme som samtidig kan identifisere retinoblastomsvulster på Retcam-bilder og skille mellom aktive og inaktive retinoblastomsvulster. Denne algoritmen vil bli validert gjennom et prospektivt innsamlet datasett.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Retinoblastom, den vanligste øyekreften i barndommen, rammer 1 av 15 000 til 1 av 18 000 levendefødte. Kina har det nest største antallet pasienter med retinoblastom i verden. Øyebevarende terapier har blitt brukt mye i Kina i omtrent 15 år. Øyebevarende terapier krever rutinemessig overvåking av retinoblastomregresjon og tilbakefall for å veilede tilsvarende behandling. Imidlertid er det meste av kvalifiserte øyeleger konsentrert i flere medisinske sentre. Dyplæring basert på Retcam-undersøkelse som kan identifisere retinoblastom vil redusere screeningsnøyaktigheten til de lokale sykehusene og redusere overvåkingsordmengden. I den nåværende studien ble det utviklet en dyp læringsalgoritme som samtidig kan identifisere retinoblastomsvulster på Retcam-bilder og skille mellom aktive og inaktive retinoblastomsvulster. Denne algoritmen vil bli validert gjennom et prospektivt innsamlet datasett.

Studietype

Observasjonsmessig

Registrering (Forventet)

200

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studer Kontakt Backup

Studiesteder

  • Kina
    • Beijing
      • Beijing, Beijing, Kina, 100730
        • Rekruttering
        • Wen-Bin Wei

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

1 sekund til 5 år (BARN)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Retinoblastompasienter gjennomgår standard medisinsk behandling.

Beskrivelse

Inklusjonskriterier:

  • Retinoblastompasienter gjennomgår standard medisinsk behandling.

Ekskluderingskriterier:

  • Operatørene identifiserte bilder som ikke kunne vurderes for en korrekt diagnose, på grunn av årsaker som uskarphet og defokus, og ekskluderte dem 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
Pasienter med retinoblastom
Retinoblastompasienter som gjennomgår standard medisinsk behandling på Beijing Tongren Hospital. Det anonyme bildet av disse pasientene vil bli prospektivt samlet inn og merket av senior øyeleger.
Diagnostisk test: Dyplæringsalgoritme
En dyp læringsalgoritme som ble utviklet tidligere ville bli brukt for å identifisere retinoblastomsvulster på Retcam-bilder og skille mellom aktive og inaktive retinoblastomsvulster. Avgjørelsen til to forskjellige senior øyeleger ville være gullstandarden.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnostikk nøyaktighet av dyp læringsalgoritme
Tidsramme: 1 uke
Den diagnostiske nøyaktigheten til denne dyplæringsalgoritmen er andelen sann positiv og sann negativ i alle evaluerte tilfeller
1 uke

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Beijing Tongren Hospital

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. mars 2020

Primær fullføring (FORVENTES)

1. mai 2022

Studiet fullført (FORVENTES)

1. oktober 2022

Datoer for studieregistrering

Først innsendt

24. mars 2022

Først innsendt som oppfylte QC-kriteriene

24. mars 2022

Først lagt ut (FAKTISKE)

1. april 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (FAKTISKE)

1. april 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

24. mars 2022

Sist bekreftet

1. mars 2022

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • AI in retinoblastoma

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. .

Kliniske studier på Retinoblastom

Kliniske studier på Dyplæringsalgoritme

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Poland

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

3
Abonnere