Głębokie Uczenie Maszynowe Wspomagające Diagnostykę Ultrasonograficzną i Lokalizację Skrętu Wyrostka Jądra
Głębokie Uczenie Maszynowe Wspomagające Ultrasonograficzną Diagnostykę i Lokalizację Skrętu Wyrostka Jądra: Wieloośrodkowe Retrospektywne Badanie Walidacyjne
Dane ultrasonograficzne zostały retrospektywnie zebrane z głównego ośrodka oraz sześciu innych ośrodków pobocznych. W połączeniu z wynikami diagnostyki klinicznej, etykietowanie danych zostało ukończone przez lekarzy z dużym doświadczeniem klinicznym.
W tym badaniu przyjęto YOLOv11 jako sieć detekcyjną, która została zintegrowana z mechanizmem uwagi konwolucyjnej (Spatial Convolutional Block Attention Module, czyli Spatial CBAM) oraz mechanizmem samo-uwagi (np. Attention Convolution Mixer, ACMix). Zbiór danych z głównego ośrodka został podzielony na podzbiory treningowe, walidacyjne i testowe, na których model był odpowiednio trenowany, walidowany i testowany; dodatkowa walidacja została przeprowadzona na zbiorze danych z ośrodka pobocznego. Jednocześnie czterech lekarzy zostało przydzielonych do interpretacji danych ultrasonograficznych z ośrodków pobocznych przy użyciu dwóch metod diagnostycznych – niezależnej diagnostyki i diagnostyki wspomaganej sztuczną inteligencją (AI) – oraz dokładność diagnostyczna tych dwóch podejść została dalej porównana. Poprzez zbieranie i uczenie się metod leczenia pacjentów w zbiorze treningowym głównego ośrodka, przewidywanie metod leczenia pacjentów w zbiorze danych ośrodka pobocznego oraz porównanie odsetka operacji przewidzianych przez AI z rzeczywistym odsetkiem operacji, skuteczność modelu została zweryfikowana.
Przegląd badań
Status
Szczegółowy opis
Dane ultrasonograficzne zostały retrospektywnie zebrane z ośrodka głównego i sześciu innych ośrodków pobocznych. W połączeniu z wynikami diagnostyki klinicznej, etykietowanie danych zostało ukończone przez lekarzy z dużym doświadczeniem klinicznym.
W tym badaniu przyjęto YOLOv11 jako sieć detekcyjną, która została zintegrowana z mechanizmem uwagi konwolucyjnej (Spatial Convolutional Block Attention Module, czyli Spatial CBAM) oraz mechanizmem samouwagi (np. Attention Convolution Mixer, ACMix). Zbiór danych z ośrodka głównego został podzielony na podzbiory treningowe, walidacyjne i testowe, na których model był odpowiednio trenowany, walidowany i testowany; dodatkowa walidacja została przeprowadzona na zbiorze danych z ośrodka pobocznego. Tymczasem czterem lekarzom powierzono interpretację danych ultrasonograficznych z ośrodków pobocznych przy użyciu dwóch metod diagnostycznych – niezależnej diagnozy i diagnozy wspomaganej sztuczną inteligencją (AI) – a dokładność diagnostyczna tych dwóch podejść została dalej porównana. Poprzez zebranie i poznanie metod leczenia pacjentów w zestawie treningowym ośrodka głównego, przewidzenie metod leczenia pacjentów w zbiorze danych ośrodka pobocznego oraz porównanie odsetka operacji przewidzianych przez AI z rzeczywistym odsetkiem operacji, skuteczność modelu została zweryfikowana.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Ying Jiang, Master Degree
- Numer telefonu: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
Kopia zapasowa kontaktu do badania
- Nazwa: Juntao Jiang, Master Degree
- Numer telefonu: 86-13968107281
- E-mail: juntaojiang@zju.edu.cn
Lokalizacje studiów
-
-
Zhejiang
-
Hangzhou, Zhejiang, Chiny, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Kontakt:
- Ying Jiang, Master Degree
- Numer telefonu: 86-19883203100
- E-mail: Jiang_ying@zju.edu.cn
-
Kontakt:
- Jingjing Ye, PHD Degree
- Numer telefonu: 86-13868174280
-
Główny śledczy:
- Ying Jiang, Master Degree
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Wiek ≤ 18 lat
- Przeprowadzenie badania ultrasonograficznego z powodu ostrego bólu moszny (≤ 24 godziny)
- Pacjenci z klinicznie rozpoznanym skrętem wyrostka jądra (TAT)
Kryteria wyłączenia:
- Słaba jakość obrazu ultrasonograficznego (niemożność identyfikacji struktur jądra)
- Niekompletne dane kliniczne (niemożność potwierdzenia rozpoznania skrętu wyrostka jądra [TAT])
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Skręt wyrostka jądra
Pacjenci z rozpoznanym skrętem wyrostka jądra
|
|
Grupa Skrętu Jądra
Pacjenci z rozpoznanym skrętem jądra
|
|
Grupa z zapaleniem najądrza
Pacjenci z rozpoznanym zapaleniem najądrza
|
|
Grupa Kontrolna
Pacjenci bez skrętu wyrostka jądra, skrętu jądra, zapalenia najądrza, a moszna jest prawidłowa
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność modelu uczenia głębokiego weryfikuje cztery stany: skręt wyrostka jądra; skręt jądra; zapalenie najądrza oraz stan prawidłowy
Ramy czasowe: Od wprowadzenia obrazu do wygenerowania wyników oczekuje się 24 godzin
|
dokładność modelu głębokiego uczenia weryfikuje cztery stany: skręt wyrostka jądra; skręt jądra; zapalenie najądrza oraz stan prawidłowy
|
Od wprowadzenia obrazu do wygenerowania wyników oczekuje się 24 godzin
|
Miary wyników drugorzędnych
Miara wyniku |
Ramy czasowe |
|---|---|
|
Liczba uczestników z ostrym bólem moszny
Ramy czasowe: Od rozpoczęcia rekrutacji do jej zakończenia oczekuje się, że potrwa 5 miesięcy
|
Od rozpoczęcia rekrutacji do jej zakończenia oczekuje się, że potrwa 5 miesięcy
|
|
Wskaźnik dokładności klinicystów w diagnozowaniu i lokalizowaniu skrętu wyrostka jądra
Ramy czasowe: Od momentu rozpoczęcia diagnozowania i lokalizowania przez klinicystów do zakończenia oczekuje się 15 dni
|
Od momentu rozpoczęcia diagnozowania i lokalizowania przez klinicystów do zakończenia oczekuje się 15 dni
|
|
Wskaźnik dokładności modelu głębokiego uczenia w przewidywaniu metody leczenia skrętu wyrostka jądra, leczenia zachowawczego lub operacji
Ramy czasowe: Od początku przewidywania leczenia skrętu wyrostka jądra przez model Deep Learning do końca przewiduje się 24 godziny
|
Od początku przewidywania leczenia skrętu wyrostka jądra przez model Deep Learning do końca przewiduje się 24 godziny
|
Współpracownicy i badacze
Sponsor
Śledczy
- Dyrektor Studium: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Szacowany)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Szacowany)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
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
- CHZhejiangjiangying
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Kryteria dostępu do udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
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 .