Realistisk i generering av HEp-2-cellebilder ved bruk av latente diffusjonsmodeller: en multisenter Visual Turing-test
Evaluering av realismen til ANA HEp-2-cellebilder syntetisert ved bruk av latente diffusjonsmodeller: En multisenter visuell turing-test
Målet med denne prospektive observasjonsstudien er å grundig undersøke gjennomførbarheten og effektiviteten av å bruke latente diffusjonsmodeller for dataforsterkning i anti-nukleære antistoff (ANA) Hep-2 celle immunfluorescensbilder. Hovedspørsmålet den tar sikte på å svare på er:
Kan bruken av slike modeller potensielt forbedre datakvaliteten, øke prøvemangfoldet eller forbedre nøyaktigheten og effektiviteten til påfølgende analytiske prosesser (som sykdomsdiagnose og klassifisering) når de brukes med ANA-relaterte bilder?
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Et grunnleggende problem i biomedisinsk forskning er det lave antallet observasjoner som er tilgjengelig, hovedsakelig på grunn av mangel på tilgjengelige bioprøver, uoverkommelige kostnader eller etiske årsaker. Å forsterke få reelle observasjoner med genererte i silicoprøver kan føre til mer robuste analyseresultater og en høyere reproduserbarhetshastighet. Her foreslår etterforskerne å bruke uovervåket læring med latente diffusjonsmodeller for realistisk generering av ANA-IIF bildedata.
Etterforskerne antar at genereringen av ANA-IIF-bilder vil være realistisk hvis det er vanskelig å skille dem (falske) fra ekte (sanne). For å teste denne hypotesen presenterer etterforskerne en multisenter Visual Turing-tester (https://turing.rednoble.net/) for å evaluere kvaliteten på de genererte (falske) bildene.
Dette eksperimentelle oppsettet lar etterforskerne validere den generelle kvaliteten på de genererte ANA-IIF-bildene, som deretter kan brukes til å (1) trene cytopatologer til utdanningsformål, og (2) generere realistiske prøver for å trene dype nettverk med store data.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiesteder
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kina, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Kommer fra anerkjente medisinske institusjoner
- Har relevant sertifisering og kvalifikasjoner
- Å ha over ett års erfaring med å tolke anti-nukleære antistoff (ANA) mønstre i laboratoriemiljø
Ekskluderingskriterier:
- Mangler relevant faglig sertifisering og kvalifikasjoner
- Uten erfaring med å tolke ANA-mønstre
- Uvillig til å akseptere reglene og informert samtykke fra den visuelle Turing-testen
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
eksperter
med over 20 års erfaring med ANA-IIF-lesing
|
bestemme ANA-mønstertypen med eller uten å referere til resultatene av AI-modellutdata.
|
|
yngre cytopatologer
mindre enn 5 års akademisk medisinsk erfaring
|
bestemme ANA-mønstertypen med eller uten å referere til resultatene av AI-modellutdata.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Det realistiske av bilder syntetisert av diffusjonsmodeller
Tidsramme: Grunnlinje
|
Etterforskerne utførte en studie ved å bruke den visuelle Turing-testmetoden, målte gjennom et spørreskjemaformat, og vurderte måleresultatene ved å bruke en 5-punkts Likert-skala. 5-punkts Likert-skalaen vurderer deltakernes meninger om kvaliteten på bilder gjennom fem svaralternativer: Ekte, Mye som, Usikker, Ikke helt som, Fake. Den beregner poengsum ved å tilordne tall (f.eks. 5 til 1) til disse alternativene, og summerer poengsummene for hver deltaker. Resultatene evalueres ved å analysere fordelingen av skårer, inkludert gjennomsnittsskårer, og vurdere deres reliabilitet og validitet. I tillegg beregnet etterforskeren en rekke parametere brukt for intern modellvurdering, inkludert: inkludert presisjon, tilbakekalling, F1-score og gjennomsnittlig gjennomsnittspresisjon (mAP). |
Grunnlinje
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Virkningen av AI-modellens produksjon på deltakerne
Tidsramme: Grunnlinje
|
Etterforskeren evaluerte endringen i nøyaktighetsgraden av deltakernes tolkninger før og etter å ha blitt assistert av AI-modellen, vil etterforskerne gjennomføre en komparativ analyse.
I tillegg beregner etterforskeren Kappa-koeffisienten for samsvar mellom menneskelige tolkninger og modellen, og evaluerer om det er forskjeller i nøyaktighet blant cytopatologer med varierende erfaringsnivå når de assisteres av AI.
|
Grunnlinje
|
|
Tiden det tar for ANA-mønstertolkning
Tidsramme: Grunnlinje
|
Etterforskeren sammenligner tiden det tar deltaker å fullføre tolkninger før og etter AI-modellens intervensjon, og vurderer om det er en reduksjon i gjennomsnittlig tolkningstid per sak, fra X minutter før AI-assistanse til Y minutter etter AI.
|
Grunnlinje
|
Samarbeidspartnere og etterforskere
Etterforskere
- Studieleder: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Hjelpsomme linker
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- XH-24-007
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .