Głębokie sieci neuronowe dotyczące dokładności diagnozy chorób skóry u niedermatologów
25 października 2022 zaktualizowane przez: Pyoeng Gyun Choe
Wpływ wykorzystania głębokich sieci neuronowych na dokładność diagnozy chorób skóry u lekarza niedermatologa
Tło: Głębokie sieci neuronowe (DNN) zostały zastosowane do wielu rodzajów chorób skóry w warunkach eksperymentalnych.
Cel: Celem tego badania jest potwierdzenie wzmocnienia głębokich sieci neuronowych w diagnostyce chorób skóry u lekarzy niedermatologów w rzeczywistych warunkach.
Metody: Zarejestrowanych zostanie łącznie 40 lekarzy niedermatologów z jednego szpitala trzeciego stopnia. Zostaną losowo przydzieleni do grupy DNN i grupy kontrolnej. Porównując dwie grupy, badacze oszacują wpływ zastosowania głębokich sieci neuronowych na diagnozę chorób skóry pod względem dokładności.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
W grupie DNN i grupie kontrolnej te kroki są tym samym procesem.
- Rutynowe badanie i robienie zdjęć zmian skórnych u wszystkich kwalifikujących się pacjentów z kolejnych serii.
- Postaw diagnozę kliniczną (PRZED-DX)
- Postaw diagnozę kliniczną (AFTER-DX)
- skonsultuj się z dermatologiem
W grupie DNN, po wykonaniu BEFORE-DX, lekarze wykorzystują głębokie sieci neuronowe i wykonują AFTER-DX z uwzględnieniem wyników głębokich sieci neuronowych (Model Dermatology, build 2020).
W grupie kontrolnej po wykonaniu BEFORE-DX lekarze wykonują AFTER-DX po ponownym przejrzeniu zdjęć zmian skórnych.
Podstawowa prawda będzie oparta na biopsji, jeśli będzie dostępna, lub na konsensusie postawionym przez dermatologów.
Badacze porównają dokładność między grupą DNN a grupą kontrolną po 6 kolejnych miesiącach badania.
Typ studiów
Interwencyjne
Zapisy (Rzeczywisty)
55
Faza
- Nie dotyczy
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Seoul, Republika Korei, 03080
- Seoul National University Hospital
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- DOROSŁY
- STARSZY_DOROŚLI
- DZIECKO
Akceptuje zdrowych ochotników
Nie
Płeć kwalifikująca się do nauki
Wszystko
Opis
Kryteria przyjęcia:
- lekarz niedermatolog (mieszkańcy), którzy wyrażą zgodę na udział w tym badaniu
Kryteria wyłączenia:
- rezydenci dermatologii
- rezydentów niedermatologicznych, którzy wykorzystują inne głębokie sieci neuronowe do diagnozowania zmian skórnych
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: DIAGNOSTYCZNY
- Przydział: LOSOWO
- Model interwencyjny: RÓWNOLEGŁY
- Maskowanie: NIC
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
EKSPERYMENTALNY: Grupa DNN
wykorzystanie głębokich sieci neuronowych do diagnostyki zmian skórnych
|
Lekarze z grupy DNN robią zdjęcia zmiany skórnej i wykorzystują algorytm, przesyłając zdjęcia.
|
|
NIE_INTERWENCJA: Grupa kontrolna
konwencjonalna diagnoza
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Najwyższa dokładność diagnostyczna
Ramy czasowe: 6 kolejnych miesięcy
|
częstotliwość poprawnej predykcji Top-1
|
6 kolejnych miesięcy
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Najwyższa 2 i 3 dokładność diagnostyczna
Ramy czasowe: 6 kolejnych miesięcy
|
częstotliwość poprawnej predykcji Top-2 i 3
|
6 kolejnych miesięcy
|
|
Wrażliwość na infekcje
Ramy czasowe: 6 kolejnych miesięcy
|
pozytywny wskaźnik rozpoznania infekcji
|
6 kolejnych miesięcy
|
|
Czułość złośliwości
Ramy czasowe: 6 kolejnych miesięcy
|
Pozytywny wskaźnik rozpoznania nowotworu złośliwego
|
6 kolejnych miesięcy
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
27 listopada 2020
Zakończenie podstawowe (RZECZYWISTY)
27 listopada 2021
Ukończenie studiów (RZECZYWISTY)
27 grudnia 2021
Daty rejestracji na studia
Pierwszy przesłany
13 listopada 2020
Pierwszy przesłany, który spełnia kryteria kontroli jakości
13 listopada 2020
Pierwszy wysłany (RZECZYWISTY)
19 listopada 2020
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
27 października 2022
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
25 października 2022
Ostatnia weryfikacja
1 października 2022
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2020-3233
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .