Dyp læringsassistert ultralyddiagnostikk og lokalisering av testikelappendix torsjon
Dyp læringsassistert ultralyddiagnostikk og lokalisering av torsjon i testikelappendix: En multikenter retrospektiv valideringsstudie
Ultralyddata ble samlet inn retrospektivt fra hovedsenteret og seks andre undersentre. Kombinert med kliniske diagnostiske utfall ble datamerkningen fullført av leger med omfattende klinisk erfaring.
I denne studien ble YOLOv11 tatt i bruk som deteksjonsnettverket, som ble integrert med den konvolusjonelle oppmerksomhetsmekanismen (Spatial Convolutional Block Attention Module, også kjent som Spatial CBAM) og selvoppmerksomhetsmekanismen (for eksempel Attention Convolution Mixer, ACMix). Datasettet fra hovedsenteret ble delt inn i trenings-, validerings- og testundersett, hvor modellen ble trent, validert og testet henholdsvis; ytterligere validering ble utført på datasettet fra undersentrene. Samtidig ble fire leger tildelt oppgaven med å tolke ultralyddataene fra undersentrene ved bruk av to diagnostiske metoder – uavhengig diagnose og kunstig intelligens (AI)-assistert diagnose – og diagnostisk nøyaktighet av disse to tilnærmingene ble videre sammenlignet. Ved å samle inn og lære behandlingsmetodene til pasientene i treningssettet fra hovedsenteret, forutsi behandlingsmetodene til pasientene i undersentrenes datasett, og sammenligne andelen operasjoner forutsagt av AI med den faktiske andelen operasjoner, ble effektiviteten til modellen verifisert.
Studieoversikt
Status
Detaljert beskrivelse
Ultralyddata ble samlet inn retrospektivt fra hovedsenteret og seks andre underavdelinger. Kombinert med kliniske diagnostiske resultater ble datamerkeringen fullført av leger med omfattende klinisk erfaring.
I denne studien ble YOLOv11 brukt som deteksjonsnettverket, som ble integrert med den konvolusjonelle oppmerksomhetsmekanismen (Spatial Convolutional Block Attention Module, nemlig Spatial CBAM) og selvoppmerksomhetsmekanismen (f.eks. Attention Convolution Mixer, ACMix). Datasettet fra hovedsenteret ble delt inn i trenings-, validerings- og testunderdatasett, som modellen ble trent, validert og testet på henholdsvis; ytterligere validering ble utført på datasettet fra underavdelingen. Samtidig ble fire leger tildelt for å tolke ultralyddataene fra underavdelingene ved hjelp av to diagnostiske metoder - uavhengig diagnose og kunstig intelligens (AI)-assistert diagnose - og diagnostisk nøyaktighet av disse to tilnærmingene ble ytterligere sammenlignet. Ved å samle inn og lære behandlingsmetodene til pasientene i treningssettet fra hovedsenteret, forutsi behandlingsmetodene til pasientene i underavdelingens datasett, og sammenligne andelen operasjoner forutsagt av AI med den faktiske andelen operasjoner, ble modellens effektivitet bekreftet.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-post: Jiang_ying@zju.edu.cn
Studer Kontakt Backup
- Navn: Juntao Jiang, Master Degree
- Telefonnummer: 86-13968107281
- E-post: juntaojiang@zju.edu.cn
Studiesteder
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Ta kontakt med:
- Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-post: Jiang_ying@zju.edu.cn
-
Ta kontakt med:
- Jingjing Ye, PHD Degree
- Telefonnummer: 86-13868174280
-
Hovedetterforsker:
- Ying Jiang, Master Degree
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Alder ≤ 18 år
- Har gjennomgått ultralydundersøkelse på grunn av akutt skrotalsmerte (≤ 24 timer)
- Pasienter klinisk diagnostisert med torsjon av testikelvedheng (TAT)
Eksklusjonskriterier:
- Dårlig ultralydbildekvalitet (manglende evne til å identifisere testikelstrukturer)
- Ufullstendige kliniske data (manglende bekreftelse av diagnosen torsjon av testikelvedheng [TAT])
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
|---|
|
Torsjon av testikelappenden gruppe
Pasienter diagnostisert med torsjon av testikelvedhenget
|
|
Testikulær torsjonsgruppe
Pasienter diagnostisert med testikeltorsjon
|
|
Epididymitis-gruppen
Pasienter diagnostisert med epididymitt
|
|
Normalgruppe
Pasienter uten testikulær appendiks torsjon, testikulær torsjon, epididymitt, og skrotumet er normalt
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktigheten til den dyp-lærende modellen verifiserer fire tilstander: testikulær vedhengstorsjon; testikulær torsjon; epididymitt og normal tilstand
Tidsramme: Fra bildeinnspill til resultatgenerering forventes å være 24 timer
|
nøyaktigheten til en dyp-læring modell verifiserer fire tilstander: testikulær vedhengstorsjon; testikulær torsjon; epididymitt og normal tilstand
|
Fra bildeinnspill til resultatgenerering forventes å være 24 timer
|
Sekundære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Antall deltakere med akutt skrotalsmerte
Tidsramme: Fra påmelding start til slutten forventes å være 5 måneder
|
Fra påmelding start til slutten forventes å være 5 måneder
|
|
Nøyaktigheten hos klinikere i å diagnostisere og lokalisere torsjon av testikulær appendiks
Tidsramme: Fra starten av at klinikere diagnostiserer og lokalisérer til slutten forventes det å være 15 dager
|
Fra starten av at klinikere diagnostiserer og lokalisérer til slutten forventes det å være 15 dager
|
|
Nøyaktighetsgraden til dyp læringsmodellen i å forutsi behandlingsmetoden for testikulær appendiks torsjon, konservativ behandling eller kirurgi
Tidsramme: Fra begynnelsen av prediksjonen av behandling for testikulær appendiks torsjon ved Deep learning-modell til slutten forventes å være 24 timer
|
Fra begynnelsen av prediksjonen av behandling for testikulær appendiks torsjon ved Deep learning-modell til slutten forventes å være 24 timer
|
Samarbeidspartnere og etterforskere
Sponsor
Etterforskere
- Studieleder: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Antatt)
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
- CHZhejiangjiangying
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
Tilgangskriterier for IPD-deling
IPD-deling Støtteinformasjonstype
- STUDY_PROTOCOL
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. .