Zastosowanie wielozadaniowego modelu głębokiego uczenia się w ocenie ciężkości zwyrodnienia stawu międzykręgowego kręgosłupa
8 sierpnia 2025 zaktualizowane przez: Hai Lv
Choroba zwyrodnieniowa stawów międzykręgowych jest chorobą o dużej częstości występowania wśród osób powyżej 40 roku życia.
Jest to choroba charakteryzująca się szeregiem zwyrodnieniowych zmian patologicznych i cech klinicznych błony maziowej, chrząstki stawowej, kości podchrzęstnej, przestrzeni stawowej i tkanek pomocniczych stawów międzywyrostkowych pod wpływem wielu czynników.
Niektóre czynniki fizjologiczne lub patologiczne mogą prowadzić do choroby zwyrodnieniowej stawów międzywyrostkowych kręgosłupa.
Pacjenci z chorobą zwyrodnieniową kręgosłupa często mają różne nasilenie objawów klinicznych, takich jak ból pleców i dyskinezy, które znacząco wpływają na zdrowie fizyczne i psychiczne pacjentów.
Nasilenie choroby zwyrodnieniowej kręgosłupa ma nie tylko pewien wpływ na ból krzyża i zmiany gęstości mięśni krzyża, ale także wpływa na postępowanie z pacjentem i plan leczenia.
Obecnie różni lekarze mają pewną subiektywność w ocenie choroby zwyrodnieniowej odcinka lędźwiowego odcinka lędźwiowego, a spójność i powtarzalność wyników jest słaba.
Co więcej, lekarze muszą czytać obrazy obrazów i oceniać stopniowanie to bardzo czasochłonna i powtarzalna praca.
W ostatnich latach zastosowanie technologii głębokiego uczenia się w analizie obrazów medycznych wzbudziło duże zaniepokojenie klinicystów.
Głębokie uczenie się ma ogromne potencjalne korzyści w diagnostyce obrazowania medycznego.
Może dostarczać półautomatyczne raporty pod nadzorem radiologów, tak aby poprawić dokładność, spójność, obiektywność i szybkość oceny stopnia zaawansowania choroby i dalej wspierać podejmowanie decyzji klinicznych na tej podstawie.
W ramach tego projektu planuje się opracowanie inteligentnego systemu diagnozy i klasyfikacji chorób zwyrodnieniowych małych stawów kręgosłupa z wielozadaniowym i dogłębnym uczeniem oraz zweryfikowanie jego wykonalności klinicznej, aby pomóc klinicystom poprawić dokładność, spójność, obiektywność i szybkość odpowiednią ocenę stopnia choroby i dodatkowo wspierać dalsze podejmowanie decyzji klinicznych.
Przegląd badań
Status
Aktywny, nie rekrutujący
Interwencja / Leczenie
Szczegółowy opis
Ten projekt jest retrospektywnym badaniem klinicznym.
w latach 2019-2022 zebrano obrazy w formacie DICOM i podstawowe informacje dotyczące obrazowania rentgenowskiego, tomografii komputerowej i rezonansu magnetycznego pacjentów ambulatoryjnych i szpitalnych z podejrzeniem dolnego odcinka kręgosłupa oraz w Piątym Szpitalu Stowarzyszonym Uniwersytetu Sun Yatsen.
Pobierz tryb obrazu DICOM, a sekcja informacyjna wyeksportuje dane po pomyślnym przesłaniu partii OA; Podstawowe informacje o pacjencie są zbierane z historii medycznej pacjenta.
Planowane jest objęcie nim 700 pacjentów.
Projekty te są losowo dzielone na zbiór uczący, weryfikacyjny i testowy w stosunku 7:1,5:1,5 w celu automatycznej diagnozy modelu komputerowego uczenia dogłębnego w celu przetestowania stabilności i niezawodności modelu.
W 700 projektach dwóch młodszych lekarzy i dwóch starszych lekarzy z dziesięcioletnim doświadczeniem w czytaniu filmów dokonało oceny zwężenia stawu, przerostu, osteofitów, nadżerek powierzchni stawowej i torbieli podchrzęstnej.
O niespójnych wynikach w grupie młodszych lekarzy zadecydowali wspólnie obaj lekarze.
O grupie standardów referencyjnych zdecydowała grupa starszych lekarzy.
Porównując wyniki diagnozy klinicystów i modeli, aby ocenić wydajność i kliniczną wykonalność modelu głębokiego uczenia się do automatycznej diagnozy zwyrodnienia części lędźwiowej. Porównaj wyniki oceny lekarza i przewidywania modelu oraz przeanalizuj statystycznie wydajność automatycznej diagnozy Model.
Wskaźniki oceny wydajności obejmują dokładność, czułość, specyficzność, dokładność, przypominanie, wartość F1 i wartość AUC.
Wartość F1 i wartość AUC to główne wskaźniki kompleksowej oceny działania modelu.
Im wyższa wartość F1 i wartość AUC, tym silniejsza wydajność modelu.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
1132
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Guangdong
-
Zhuhai, Guangdong, Chiny
- The fifth affiliated hospital of SYSU
-
-
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
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
U pacjentów poddawanych badaniu obrazowemu z powodu bólu krzyża stopień zwyrodnienia stawów międzywyrostkowych pacjentów nie jest ciężki.
Usuń pacjentów spełniających kryteria wykluczenia, aby uniknąć złej jakości obrazu wpływającej na ocenę.
Opis
Kryteria przyjęcia:
- Od 2019 do 2022 r. dane pacjentów poddawanych badaniu obrazowemu odcinka lędźwiowego w Piątym Szpitalu Stowarzyszonym Uniwersytetu Sun Yatsen
Kryteria wyłączenia:
- Kręgozmyk lędźwiowy
- Przebyte złamanie kręgów
- Mieć historię chirurgii kręgosłupa
- Poważne artefakty na obrazach lędźwiowych
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
- Modele obserwacyjne: Inny
- Perspektywy czasowe: Z mocą wsteczną
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Grupa szkoleniowa
70% uczestników zostało losowo podzielonych na grupy szkoleniowe, aby trenować wydajność uczenia się maszyny
|
|
Grupa walidacyjna
15% uczestników zostało losowo podzielonych na grupy walidacyjne, aby poprawić wydajność uczenia się maszyny i uniknąć nadmiernego dopasowania
|
|
Grupa testowa
15% uczestników zostało losowo podzielonych na grupy testowe, aby przetestować wydajność uczenia się maszyny i wyciągnąć wnioski z badań
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porównanie dokładności modelu głębokiego uczenia wielozadaniowego i klinicystów w ocenie zwyrodnienia stawu międzykręgowego
Ramy czasowe: 2022.12.01-2023.07.31
|
Jest używany głównie do wskazania liczby prawidłowo przewidzianych próbek w całkowitej liczbie próbek. Prawdziwie dodatni (TP), fałszywie ujemny (FN), fałszywie dodatni (FP), prawdziwie ujemny (TN). Dokładność = (TP + TN) / (TP + FN + FP +TN)
|
2022.12.01-2023.07.31
|
|
Porównanie precyzji wielozadaniowego modelu głębokiego uczenia i klinicystów w ocenie zwyrodnienia stawu międzykręgowego
Ramy czasowe: 2022.12.01-2023.07.31
|
Prawdziwie dodatni (TP), fałszywie ujemny (FN), fałszywie dodatni (FP), prawdziwie ujemny (TN). Precyzja = TP / (TP + FP)
|
2022.12.01-2023.07.31
|
|
Porównanie czułości modelu głębokiego uczenia wielozadaniowego i klinicystów w ocenie zwyrodnienia stawu międzykręgowego
Ramy czasowe: 2022.12.01-2023.07.31
|
Prawdziwie dodatni (TP), fałszywie ujemny (FN), fałszywie dodatni (FP), prawdziwie ujemny (TN). Czułość = TP / (TP + FN)
|
2022.12.01-2023.07.31
|
|
Porównanie specyfiki wielozadaniowego modelu głębokiego uczenia i klinicystów w ocenie zwyrodnienia stawu międzywyrostkowego kręgosłupa
Ramy czasowe: 2022.12.01-2023.07.31
|
Prawdziwie dodatni (TP), fałszywie ujemny (FN), fałszywie dodatni (FP), prawdziwie ujemny (TN). Specyficzność = TN / (TN + FP)
|
2022.12.01-2023.07.31
|
|
Oblicz wynik F1 do oceny ciężkości zwyrodnienia stawów międzywyrostkowych w wielozadaniowym modelu głębokiego uczenia
Ramy czasowe: 2022.12.01-2023.07.31
|
Wynik F1 jest ważnym wskaźnikiem oceny dla automatycznej klasyfikacji, F1 =2*Precyzja*Czułość/（Precyzja+Czułość）=2TP/(2TP+FP+FN)
|
2022.12.01-2023.07.31
|
|
ROC (Receiver Operation Characteristic) to tak zwana krzywa charakterystyki działania odbiornika, która jest wskaźnikiem do oceny wydajności modelu głębokiego uczenia
Ramy czasowe: 2022.12.01-2023.07.31
|
ROC (Receiver Operation Characteristic) nazywana jest krzywą charakterystyki pracy odbiornika.
Im krzywa jest bliżej lewego górnego rogu, tym lepszy jest klasyfikator.
Pole pod krzywą ROC nazywa się AUC.
Im większe jest AUC, tym lepszy będzie efekt klasyfikacji klasyfikatora.
|
2022.12.01-2023.07.31
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
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)
31 grudnia 2022
Zakończenie podstawowe (Szacowany)
31 grudnia 2026
Ukończenie studiów (Szacowany)
31 grudnia 2026
Daty rejestracji na studia
Pierwszy przesłany
23 listopada 2022
Pierwszy przesłany, który spełnia kryteria kontroli jakości
1 grudnia 2022
Pierwszy wysłany (Rzeczywisty)
2 grudnia 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
13 sierpnia 2025
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
8 sierpnia 2025
Ostatnia weryfikacja
1 sierpnia 2025
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
- ZDWY.JZWK.004
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Opis planu IPD
W razie potrzeby można go zapewnić
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
produkt wyprodukowany i wyeksportowany z USA
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 .