- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05643612
Algorytm głębokiego uczenia się do wykrywania urazowych uszkodzeń śledziony i sekwencyjnej lokalizacji
Algorytm trójwymiarowego słabo nadzorowanego uczenia głębokiego do wykrywania i sekwencyjnej lokalizacji urazowego uszkodzenia śledziony
Uszkodzenie śledziony jest śmiertelnym urazem jamy brzusznej i zwykle można je zdiagnozować za pomocą obrazów medycznych, takich jak tomografia komputerowa. Udowodniono jego zastosowanie w wykrywaniu nieprawidłowości w obrazach medycznych.
W tej próbie wykorzystaliśmy zdezidentyfikowany bank danych rejestru, aby opracować nowatorski algorytm oparty na głębokim uczeniu się, aby wykryć uraz śledziony i zidentyfikować miejsca urazu.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Tło
Uraz śledziony jest najczęstszym litym urazem trzewnym w tępym urazie brzucha, a tomografia komputerowa (CT) jamy brzusznej o wysokiej rozdzielczości może odpowiednio wykryć uraz. Jednak te śmiertelne obrażenia były czasami pomijane w obecnej praktyce. Algorytmy głębokiego uczenia udowodniły swoje możliwości w wykrywaniu nieprawidłowych wyników w obrazach medycznych. Celem tego badania jest opracowanie trójwymiarowego algorytmu głębokiego uczenia bez nadzoru do wykrywania uszkodzenia śledziony w tomografii komputerowej jamy brzusznej przy użyciu sekwencyjnego podejścia do lokalizacji i klasyfikacji.
Materiał i metody
Retrospektywnie zebraliśmy dane od pacjentów, którzy przeszli kontrastową tomografię komputerową jamy brzusznej na oddziale ratunkowym Chang Gung Memorial Hospital, Linko, z powodu urazu i ostrego brzucha od lipca 2008 do grudnia 2017. Wszyscy pacjenci zostali zarejestrowani w rejestrach urazów i ostrego brzucha. Zebrano informacje demograficzne, w tym wiek, płeć, diagnozę choroby, mechanizm urazu, ocenę ciężkości urazu, ocenę ciężkości nowego urazu, skróconą skalę obrażeń i stopień uszkodzenia śledziony. Skany pokazujące uszkodzenie śledziony zostały zidentyfikowane jako pozytywne, a pozostałe skany zdefiniowano jako kontrole negatywne. Zidentyfikowaliśmy 300 skanów fazy żylnej z uszkodzeniem śledziony i losowo wybraliśmy 300 dodatkowych skanów fazy żylnej z kontroli negatywnych. Skany CT z urazami brzucha innymi niż uszkodzenie śledziony nie zostały wykluczone w celu zmniejszenia błędu selekcji. Wszystkie dane podzielono według wieku, płci, obecności uszkodzenia śledziony i stopnia ciężkości urazu przy użyciu warstwowego pobierania próbek do zestawu danych rozwojowych i zestawu testów w stosunku 8:2. Jedna ósma zestawu danych rozwojowych została następnie zarezerwowana jako zestaw do walidacji podczas budowy modelu.
Wstępne przetwarzanie i etykietowanie obrazu
Obrazy tomografii komputerowej uzyskano w oryginalnym formacie Digital Imaging and Communications in Medicine (DICOM). Obrazy zostały następnie przekonwertowane do formatu Neuroimaging Informatics Technology Initiative, tworząc trójwymiarowe obrazy oparte na wokselach. Nasz algorytm został następnie opracowany w oparciu o żylne przekroje osiowe, najczęstszy kierunek obrazowania w badaniach urazów jamy brzusznej. Podczas procesu uczenia zastosowano powiększanie obrazu poprzez translację, obracanie, skalowanie i zniekształcenia elastyczne, aby zwiększyć możliwości uogólnienia modelu.
Chirurg urazowy z 10-letnim doświadczeniem potwierdził wszystkie pozytywne i negatywne skany. We wszystkich skanach śledziona wraz z otaczającym ją tłem była pokryta ręcznie narysowaną trójwymiarową ramką ograniczającą.
Lokalizacja śledziony
Model lokalizacji został zaprojektowany w oparciu o 3D Faster RCNN z Resnet-101 jako strukturą szkieletową i przeszkolony na rozwojowym zbiorze danych. Użyliśmy entropii krzyżowej, utraty ogniskowej jako utraty klasy i utraty L1, przecięcia odległości nad związkiem (DIOU) jako utraty regresji pudełkowej i przyjęliśmy przecięcie nad związkiem (IOU) i DIOU w tłumieniu niemaksymalnym (NMS) do treningu algorytm wykrywania obiektów.
Identyfikacja i wizualizacja uszkodzenia śledziony
Przycięte obrazy 3D wykorzystano do opracowania modelu klasyfikacji uszkodzenia śledziony. Zmodyfikowaliśmy architekturę bloków, aby poprawić interpretowalność procesu wnioskowania wyuczonej sieci. Wynikiem modelu było prawdopodobieństwo uszkodzenia śledziony.
Wydajność modelu oceniono na podstawie pola pod krzywą charakterystyki działania odbiornika (AUROC), dokładności, czułości, specyficzności, dodatniej wartości predykcyjnej i ujemnej wartości predykcyjnej.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Taoyuan, Tajwan, 333
- Chang Gung Memorial Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- pacjenci, u których wykonano tomografię komputerową jamy brzusznej w oddziale ratunkowym z powodu urazu i ostrego badania jamy brzusznej w okresie od lipca 2008 do grudnia 2017.
Kryteria wyłączenia:
- zdjęcia słabej jakości
- bezkontrastowe serie obrazów tomografii komputerowej.
- zdjęcia z innych szpitali bez odpowiedniej oceny
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Inny
- Perspektywy czasowe: Z mocą wsteczną
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
---|---|
grupa urazów śledziony
Retrospektywnie zebraliśmy dane od pacjentów, którzy przeszli kontrastową tomografię komputerową jamy brzusznej na oddziale ratunkowym Chang Gung Memorial Hospital, Linko, z powodu urazu i ostrego brzucha od lipca 2008 do grudnia 2017.
Zidentyfikowaliśmy 300 skanów fazy żylnej z uszkodzeniem śledziony.
|
Sekwencyjna dwuetapowa struktura wykrywania uszkodzenia śledziony w 3D do identyfikacji uszkodzenia śledziony w tomografii komputerowej
|
Grupa kontrolna
Retrospektywnie zebraliśmy dane od pacjentów, którzy przeszli kontrastową tomografię komputerową jamy brzusznej na oddziale ratunkowym Chang Gung Memorial Hospital, Linko, z powodu urazu i ostrego brzucha od lipca 2008 do grudnia 2017.
Losowo wybraliśmy 300 dodatkowych skanów fazy żylnej bez uszkodzenia śledziony
|
Sekwencyjna dwuetapowa struktura wykrywania uszkodzenia śledziony w 3D do identyfikacji uszkodzenia śledziony w tomografii komputerowej
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Dokładność diagnostyczna
Ramy czasowe: 3 dni
|
Dokładność diagnostyczna algorytmu głębokiego uczenia do wykrywania uszkodzenia śledziony
|
3 dni
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Porównanie szkieletu różnicowego algorytmu
Ramy czasowe: 3 dni
|
Różnica dokładności diagnostycznej między różnymi infrastrukturami algorytmu głębokiego uczenia
|
3 dni
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Chien-Hung Liao, MD., Chang Gung Memorial Hospital
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Oszacować)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Oszacować)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SpleenTrNet
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .
Badania kliniczne na Nauczanie maszynowe
-
Orsi AcademyZakończony
-
Maastricht University Medical CenterAktywny, nie rekrutującyRogowacenie słoneczne | Dermatologia | E-learningHolandia
-
Bahria UniversityRekrutacyjnyCovid-19 | Student medycyny | E-learningPakistan
Badania kliniczne na Algorytm głębokiego uczenia
-
Shanghai Pulmonary Hospital, Shanghai, ChinaZunyi Medical College; Ningbo HwaMei Hospital, Zhejiang, China; The First Affiliated...RekrutacyjnyNiedrobnokomórkowego raka płuca | Chemoimmunoterapia neoadjuwantowa | Całkowita odpowiedź patologicznaChiny
-
Shanghai Pulmonary Hospital, Shanghai, ChinaZunyi Medical College; Ningbo HwaMei Hospital, Zhejiang, China; The First Affiliated...RekrutacyjnyGruczolakorak płuc | Cały obraz slajdu | Nowatorski system ocenianiaChiny
-
Shanghai Pulmonary Hospital, Shanghai, ChinaZunyi Medical College; Ningbo HwaMei Hospital, Zhejiang, China; The First Affiliated...RekrutacyjnyNiedrobnokomórkowego raka płuca | Rozprzestrzenianie się w przestrzeni powietrznej | Inwazja opłucnej trzewnej | Inwazja naczyń limfatycznychChiny
-
Shanghai Pulmonary Hospital, Shanghai, ChinaZunyi Medical College; Ningbo HwaMei Hospital, Zhejiang, China; The First Affiliated...RekrutacyjnyNiedrobnokomórkowego raka płucaChiny
-
Antoine FourréUniversiteit Antwerpen; University of Mons; University of Picardie Jules VerneZakończonyBóle krzyża | Fizykoterapia | Wiedza, postawy, praktyka | LekarzeBelgia
-
McMaster UniversityJeszcze nie rekrutacja
-
Hadassah Medical OrganizationZakończony
-
Vilnius UniversityRejestracja na zaproszenieAlergia pokarmowa u dzieci | Alergia pokarmowa u niemowlątLitwa
-
Rigshospitalet, DenmarkZakończonyChoroby układu mięśniowo-szkieletowegoDania
-
Centre Hospitalier Universitaire VaudoisRekrutacyjnyZaburzenia ze spektrum autyzmuSzwajcaria