Realistyczne w generowaniu obrazów komórek HEp-2 przy użyciu modeli dyfuzji utajonej: wieloośrodkowy wizualny test Turinga
Ocena realizmu obrazów komórek ANA HEp-2 syntetyzowanych przy użyciu modeli dyfuzji utajonej: wieloośrodkowy wizualny test Turinga
Celem tego prospektywnego badania obserwacyjnego jest rygorystyczne zbadanie wykonalności i skuteczności wykorzystania modeli utajonej dyfuzji do powiększania danych w obrazach immunofluorescencyjnych komórek Hep-2 przeciwciał przeciwjądrowych (ANA). Główne pytanie, na które ma odpowiedzieć, brzmi:
Czy zastosowanie takich modeli może potencjalnie poprawić jakość danych, zwiększyć różnorodność próbek lub poprawić dokładność i wydajność kolejnych procesów analitycznych (takich jak diagnostyka i klasyfikacja chorób), gdy są wykorzystywane z obrazami związanymi z ANA?
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Podstawowym problemem w badaniach biomedycznych jest mała liczba dostępnych obserwacji, wynikająca głównie z braku dostępnych biopróbek, zaporowych kosztów lub względów etycznych. Wzmocnienie kilku rzeczywistych obserwacji próbkami wygenerowanymi in silico może prowadzić do solidniejszych wyników analizy i wyższego współczynnika powtarzalności. W tym przypadku badacze proponują wykorzystanie uczenia się bez nadzoru z modelami utajonej dyfuzji do realistycznego generowania danych obrazu ANA-IIF.
Badacze stawiają hipotezę, że generowanie obrazu ANA-IIF będzie realistyczne, jeśli trudno będzie je odróżnić (fałszywe) od prawdziwego (prawdziwego). Aby przetestować tę hipotezę, badacze przedstawiają wieloośrodkowe wizualne testy Turinga (https://turing.rednoble.net/) w celu oceny jakości generowanych (fałszywych) obrazów.
Ta konfiguracja eksperymentalna pozwala badaczom zweryfikować ogólną jakość wygenerowanych obrazów ANA-IIF, które można następnie wykorzystać do (1) szkolenia cytopatologów do celów edukacyjnych oraz (2) generowania realistycznych próbek do szkolenia głębokich sieci z wykorzystaniem dużych zbiorów danych.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Chiny, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pochodzące z renomowanych instytucji medycznych
- Posiadanie odpowiednich certyfikatów i uprawnień
- Posiadanie ponad rocznego doświadczenia w interpretacji wzorców przeciwciał przeciwjądrowych (ANA) w warunkach laboratoryjnych
Kryteria wyłączenia:
- Brak odpowiednich certyfikatów i kwalifikacji zawodowych
- Bez doświadczenia w interpretacji wzorców ANA
- Nie chce zaakceptować zasad i świadomej zgody na wizualny test Turinga
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
eksperci
z ponad 20-letnim doświadczeniem w czytaniu ANA-IIF
|
określenie typu wzorca ANA z odniesieniem lub bez odwoływania się do wyników modelu AI.
|
|
młodsi cytopatolodzy
mniej niż 5 lat akademickiego doświadczenia medycznego
|
określenie typu wzorca ANA z odniesieniem lub bez odwoływania się do wyników modelu AI.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Realizm obrazów syntetyzowanych za pomocą modeli dyfuzyjnych
Ramy czasowe: Linia bazowa
|
Badacze przeprowadzili badanie wizualną metodą testu Turinga, dokonując pomiaru za pomocą kwestionariusza, a wyniki pomiarów ocenili za pomocą 5-punktowej skali Likerta. 5-punktowa skala Likerta ocenia opinie uczestników na temat jakości obrazów za pomocą pięciu opcji odpowiedzi: Prawdziwe, Bardzo podobne, Niepewne, Niezupełnie podobne, Fałszywe. Oblicza wyniki poprzez przypisanie liczb (np. 5 do 1) do tych opcji, sumując wyniki każdego uczestnika. Wyniki ocenia się poprzez analizę rozkładu wyników, w tym średnich wyników, oraz ocenę ich wiarygodności i trafności. Dodatkowo badacz obliczył szereg parametrów wykorzystywanych do oceny modelu wewnętrznego, w tym: precyzję, przypominanie, wynik F1 i średnią średnią precyzję (mAP). |
Linia bazowa
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wpływ wyników modelu AI na uczestników
Ramy czasowe: Linia bazowa
|
Badacz ocenił zmianę wskaźnika trafności interpretacji uczestników przed i po zastosowaniu modelu sztucznej inteligencji. Badacze przeprowadzą analizę porównawczą.
Dodatkowo badacz oblicza współczynnik zgodności Kappa między interpretacjami ludzkimi a modelem i ocenia, czy istnieją różnice w dokładności wśród cytopatologów o różnym poziomie doświadczenia przy wsparciu sztucznej inteligencji.
|
Linia bazowa
|
|
Czas potrzebny na interpretację wzorca ANA
Ramy czasowe: Linia bazowa
|
Badacz porównuje czas potrzebny uczestnikowi na wykonanie interpretacji przed interwencją modelu sztucznej inteligencji i po niej, oceniając, czy następuje skrócenie średniego czasu interpretacji na przypadek z X minut przed udzieleniem pomocy AI do Y minut po interwencji AI.
|
Linia bazowa
|
Współpracownicy i badacze
Śledczy
- Dyrektor Studium: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publikacje i pomocne linki
Publikacje ogólne
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Przydatne linki
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- XH-24-007
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (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 .