CT-basert dyp læring for differensiering av akutte og kroniske osteoporotiske kompresjonsbrudd i ryggvirvler (CT-DL-OVCF)
En dyp læringsmodell basert på CT-bilder for å differensiere akutte og kroniske osteoporotiske kompresjonsbrudd i ryggvirvler
Osteoporotiske kompresjonsbrudd i ryggvirvlene er vanlige hos eldre og kan presenteres som enten akutte eller kroniske brudd. Å skille akutte fra kroniske brudd på riktig måte er klinisk viktig fordi behandlingsstrategier og beslutninger om håndtering varierer avhengig av bruddets kronisitet. Imidlertid kan det være utfordrende i rutinemessig klinisk praksis å skille mellom akutte og kroniske osteoporotiske kompresjonsbrudd i ryggvirvlene basert kun på bildefunn.
Denne retrospektive studien har som mål å utvikle et intelligent diagnostisk system basert på datatomografi (CT)-bilder for å skille mellom akutte og kroniske osteoporotiske kompresjonsbrudd i ryggvirvlene. Kliniske og bildebaserte data fra pasienter diagnostisert med osteoporotiske kompresjonsbrudd i ryggvirvlene vil bli samlet inn fra det første tilknyttede sykehuset ved Chongqing Medical University og et ytterligere medisinsk senter. En dyp læringsmodell vil bli trent for automatisk å analysere CT-bilder og klassifisere brudd som akutte eller kroniske.
Resultatene fra denne studien kan bidra til å forbedre nøyaktigheten og effektiviteten ved vurdering av bruddets kronisitet ved bruk av CT-bilder og gi støtteinformasjon for klinisk beslutningstaking angående behandlingsvalg hos pasienter med osteoporotiske kompresjonsbrudd i ryggvirvlene.
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
Denne studien er en retrospektiv, multikenter observasjonsstudie utformet for å utvikle og evaluere et dyp læring-basert system for å differensiere akutte og kroniske osteoporotiske vertebrale kompresjonsfrakturer ved bruk av beregnet tomografi (CT)-bilder.
Pasienter diagnostisert med osteoporotiske vertebrale kompresjonsfrakturer som gjennomgikk både CT- og magnetresonanstomografi (MRI)-undersøkelser, vil bli retrospektivt innhentet fra First Affiliated Hospital of Chongqing Medical University og ett ytterligere medisinsk senter mellom januar 2023 og september 2025. Kliniske data, inkludert alder, kjønn og dual-energy røntgenabsorptiometri (DXA)-resultater, samt komplette DICOM-format CT- og MRI-bilder, vil bli samlet inn. Intervallet mellom CT- og MRI-undersøkelser må være mindre enn to uker. Pasienter med patologiske frakturer forårsaket av infeksjon eller svulst, tilstedeværelse av fremmedmateriale som beinsement eller metallisk hardware, eller dårlig bildekvalitet med betydelige artefakter, vil bli ekskludert.
Studiearbeidsflyten inkluderer datainnsamling, modellutvikling, ytelsesevaluering og modelltolkbarhetsanalyse. Flere dyp læring segmenteringsmodeller, inkludert U-Net, U-Mamba og UNETR++, vil først bli evaluert for virvelkroppsegmenteringsytelse. Basert på de optimale segmenteringsresultatene, vil klassifiseringsmodeller som VGG-16, DenseNet-121, Vision Transformer (ViT) og Transformer-baserte arkitekturer bli trent for å differensiere akutte og kroniske kompresjonsfrakturer. Den best presterende modellen vil bli valgt for å konstruere det endelige klassifiseringssystemet.
Modellytelse for segmenteringsoppgaver vil bli vurdert ved bruk av Dice-likhetskoeffisient og tap-verdier. Klassifiseringsytelse vil bli evaluert i et eksternt valideringsdatasett ved bruk av areal under mottakeroperasjonskarakteristikk-kurven (AUC), sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi og negativ prediktiv verdi. Mottakeroperasjonskarakteristikk-kurver og forvirringsmatriser vil bli generert for å visualisere modellytelsen.
For å forbedre modelltolkbarhet, vil gradient-vektet klasseaktiveringskartlegging (Grad-CAM) bli brukt for å generere varmekart som fremhever bildeområder som bidrar mest til modellforutsigelser. Disse varmekartene vil bli lagt over CT-bilder for å visuelt demonstrere hvordan modellen differensierer akutte og kroniske osteoporotiske vertebrale kompresjonsfrakturer.
Basert på en forhåndsdefinert utvalgsstørrelsesberegning som antar en sensitivitet på 0,90, et signifikansnivå på 0,05 og en tillatt feilmargin på 0,05, forventes totalt 276 pasienter (138 akutte og 138 kroniske tilfeller) å bli inkludert i denne studien.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiesteder
-
-
Chongqing Municipality
-
Chongqing, Chongqing Municipality, Kina, 400016
- The First Affiliated Hospital of Chongqing Medical University
-
Ta kontakt med:
- Xin Fan
- Telefonnummer: +86 23 89011876
- E-post: 202770@hospital.cqmu.edu.cn
-
Ta kontakt med:
- E-post: 202770@hospital.cqmu.edu.cn
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Inklusjonskriterier:
- Pasienter diagnostisert med osteoporotiske vertebrale kompresjonsfrakturer.
- Pasienter som gjennomgått både CT- og MR-undersøkelser av ryggsøylen, med et intervall på mindre enn 2 uker mellom undersøkelsene.
- Tilgjengelighet av fullstendige CT- og MR-bildedata i DICOM-format.
- Tilgjengelighet av fullstendig klinisk informasjon, inkludert alder, kjønn og dual-energy X-ray absorptiometry (DXA)-resultater.
- Alder 50 år eller eldre ved tidspunktet for bildetaking.
Eksklusjonskriterier:
- Vertebrale kompresjonsfrakturer forårsaket av infeksjon eller malignitet.
- Tilstedeværelse av fremmede materialer, inkludert beinsement eller metallisk hardware.
- Dårlig bildekvalitet eller betydelige bildeartefakter som påvirker analysen.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Akutt osteoporotisk kompresjonsbrudd i ryggvirvelgruppe
Pasienter diagnostisert med akutt osteoporotisk kompresjonsbrudd i ryggvirvel basert på klinisk vurdering og bildediagnostiske funn.
|
Dette er en retrospektiv observasjonsstudie.
Ingen terapeutisk, diagnostisk eller forebyggende intervensjon er tildelt som en del av studien.
Alle analyser er basert på tidligere innhentede kliniske og bildebehandlingsdata.
|
|
Kronisk osteoporotisk vertebral kompresjonsfraktur-gruppe
Pasienter diagnostisert med kroniske osteoporotiske vertebrale kompresjonsfrakturer basert på klinisk vurdering og bildediagnostiske funn.
|
Dette er en retrospektiv observasjonsstudie.
Ingen terapeutisk, diagnostisk eller forebyggende intervensjon er tildelt som en del av studien.
Alle analyser er basert på tidligere innhentede kliniske og bildebehandlingsdata.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk ytelse av den dype læringsmodellen for differensiering av akutte og kroniske osteoporotiske vertebrale kompresjonsfrakturer
Tidsramme: Ved tidspunktet for bildeanalyse
|
Den diagnostiske ytelsen til den dype læringsmodellen i å differensiere akutte og kroniske osteoporotiske kompresjonsbrudd i ryggvirvler basert på CT-bilder, evaluert ved hjelp av arealet under mottakeroperasjonskarakteristikkkurven (AUC).
|
Ved tidspunktet for bildeanalyse
|
Samarbeidspartnere og etterforskere
Sponsor
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
- KX2025-KYC1056-01
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
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. .