Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Multimodalny system diagnostyki obrazowej i wspomagania decyzji w przypadku bąblowicy wątrobowej w oparciu o omiki obrazu i makromodel wzroku

13 września 2024 zaktualizowane przez: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Bąblowica wątrobowa (bąblowica wątrobowa) jest ważną chorobą odzwierzęcą powszechnie występującą na obszarach rolniczych i pasterskich północno-zachodnich Chin. Choroba może pasożytować w dowolnej części ludzkiego ciała i może wpływać na wiele narządów. W ciężkich przypadkach pacjenci stracą zdolność do pracy. Obecnie choroba ta stoi przed wyzwaniami w zakresie dokładności diagnostycznej, identyfikacji konkretnego typu, oceny aktywności przedoperacyjnej, przewidywania nawrotu pooperacyjnego i oceny wcięcia rurki T. Problem ten jest szczególnie istotny na obszarach o dużej zachorowalności, gdzie występuje nierównomierne rozmieszczenie zasobów medycznych i niedobór doskonałych lekarzy i klinicystów zajmujących się diagnostyką obrazową. Nasze poprzednie badania wykazały, że zastosowanie dużych modeli wizualnych i algorytmów omiki obrazowania może skutecznie segmentować zmiany w wątrobie związane z bąblowcem, wyodrębniać kluczowe cechy i zapewniać klinicystom dokładną i wiarygodną diagnozę oraz zalecenia dotyczące leczenia. Wierzymy, że w oparciu o transformację różnych trybów obrazu medycznego (takich jak MRI, CT i USG) w oparciu o szerszy, wieloośrodkowy duży zbiór danych, celem skutecznej identyfikacji, diagnozowania, wspomagania decyzji chirurgicznych i dokładnego przewidywania pooperacyjnego uszkodzenia wątroby można osiągnąć bąblowicę. Wykorzystamy rozwiązania technologii sztucznej inteligencji, takie jak sieć generowania kontradyktoryjności, duży model wizji, omiki obrazu i fuzja poziomów decyzyjnych, uwzględniające skuteczność diagnozy i leczenia, automatyzację diagnozy i leczenia oraz możliwość interpretacji wyników diagnozy, do zbudowania kompleksowej dokładnej diagnozy i rokowania system leczenia bąblowicy wątrobowej

Przegląd badań

Szczegółowy opis

  1. Automatyczne rozpoznawanie/skuteczna diagnostyka bąblowicy wątrobowej: Opracowanie narzędzia diagnostycznego AI opartego na głębokim uczeniu się, którego celem jest lepsze różnicowanie bąblowicy wątrobowej od innych chorób wątroby, takich jak torbiele wątroby, ropnie wątroby i inne zmiany zajmujące przestrzeń torbielowatą wątroby. Narzędzie będzie wykorzystywać generatywne sieci kontradyktoryjne i spolaryzowane algorytmy samouważności do skutecznej identyfikacji i klasyfikacji bąblowicy wątrobowej w celu uzupełnienia nierównych zasobów medycznych i niedoboru zawodowych lekarzy w regionie zachodnim
  2. Diagnostyka różnicowa określonych typów bąblowicy wątrobowej: Zbadanie zastosowania obrazowania multimodalnego w połączeniu z metodami głębokiego uczenia się w celu rozróżnienia typu CL, typu CE1 i torbieli wątrobowej bąblowicy wątroby. W badaniach tych zastosowany zostanie algorytm segmentacji obrazu medycznego DINOv2 i technologia głębokiego uczenia się, aby dokładnie zidentyfikować przypadki ze stosunkowo nierównomiernie rozłożonymi i złożonymi danymi.
  3. Przewidywanie pooperacyjnego nawrotu bąblowicy wątrobowej: Uczenie się transferu i algorytm Deep-SVDD służą do przewidywania ryzyka pooperacyjnego nawrotu bąblowicy wątrobowej, zapewniając skuteczne rozwiązanie w przypadku zestawów danych o niezrównoważonej wielkości próbek. Ponadto, integrując dane na platformie medycznej Big Data, stworzono oparty na sztucznej inteligencji model przewidywania nawrotów pooperacyjnych

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

1000

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

    • China/Guangdong
      • Guangzhou, China/Guangdong, Chiny
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

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

W niniejszym badaniu, na podstawie danych obrazowych pacjentów z bąblowcem wątroby potwierdzonym patologią po operacji, zastosowano technologię głębokiego uczenia się w celu odróżnienia bąblowca wątrobowego od zmian torbielowatych wątroby, takich jak torbiel wątroby i ropień wątroby

Opis

Kryteria przyjęcia:

  1. Pacjenci z pełnymi oryginalnymi obrazami w formatach dcim CT, USG i MRI
  2. Pacjenci z bąblowcem wątroby potwierdzonym patologią po operacji
  3. Pacjenci z pełną ochroną danych klinicznych

Kryteria wyłączenia:

  1. Pacjenci z danymi obrazowymi złej jakości
  2. Pacjenci z niekompletnymi danymi klinicznymi
  3. Pacjenci z bąblowicą wątroby CE4 i CE5 diagnozowani wyłącznie na podstawie obrazowania, bez leczenia chirurgicznego

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

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Grupa obserwacyjna
W niniejszym badaniu obiektem badań były przedoperacyjne dane obrazowe pacjentów z bąblowcem wątrobowym
Skonstruowano sztuczną sieć neuronową w celu automatycznej identyfikacji bąblowca wątrobowego za pomocą technologii głębokiego uczenia się
Grupa kontrolna
Grupę kontrolną stanowiły torbiel wątroby, ropień wątroby i wątroba prawidłowa
Skonstruowano sztuczną sieć neuronową w celu automatycznej identyfikacji bąblowca wątrobowego za pomocą technologii głębokiego uczenia się

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
krzywa roc
Ramy czasowe: 2024.7-2026.3
Krzywa charakterystyki pracy odbiornika
2024.7-2026.3
AUC
Ramy czasowe: 2024.7-2026.3
Pole pod krzywą ROC
2024.7-2026.3
PPV
Ramy czasowe: 2024.7-2026.3
Dodatnia wartość predykcyjna
2024.7-2026.3
NPV
Ramy czasowe: 2024.7-2026.3
Ujemna wartość predykcyjna
2024.7-2026.3

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Śledczy

  • Dyrektor Studium: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

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)

30 września 2023

Zakończenie podstawowe (Rzeczywisty)

12 września 2024

Ukończenie studiów (Rzeczywisty)

12 września 2024

Daty rejestracji na studia

Pierwszy przesłany

2 sierpnia 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

2 sierpnia 2024

Pierwszy wysłany (Rzeczywisty)

6 sierpnia 2024

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

19 września 2024

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

13 września 2024

Ostatnia weryfikacja

1 września 2024

Więcej informacji

Terminy związane z tym badaniem

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Opis planu IPD

Istotne dane dotyczące obrazu medycznego wiążą się z prywatnością pacjentów, a grupa badawcza odmówiła ich udostępnienia

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 .

Subskrybuj