Sztuczna inteligencja oparta na CNN kontra lekarze w diagnozowaniu pojedynczych zmian skórnych
Porównanie opartego na sieciach CNN modelu sztucznej inteligencji z dermatologami i lekarzami niebędącymi dermatologami w diagnostyce pojedynczych zmian skórnych
Celem tego badania obserwacyjnego jest ocena dokładności diagnostycznej opartego na CNN modelu sztucznej inteligencji u pacjentów z pojedynczymi zmianami skórnymi. Główne pytania, na które ma odpowiedzieć to badanie, to:
- Jaka jest wydajność diagnostyczna (czułość i specyficzność) modelu opartego na CNN w identyfikacji pojedynczych zmian skórnych przy użyciu makroskopowych obrazów klinicznych?
- Jak dokładność diagnostyczna modelu opartego na CNN porównuje się z ocenami przeprowadzonymi przez dermatologów i lekarzy innych specjalności?
Badacze porównają wyniki diagnostyczne modelu AI z niezależnymi ocenami dermatologów i lekarzy innych specjalności, aby sprawdzić, czy model AI może osiągnąć wydajność diagnostyczną porównywalną z wydajnością klinicystów lub lepszą od niej.
Uczestnicy (lekarze pełniący funkcję czytelników klinicznych) będą:
- Niezależnie przeglądać z góry określony zestaw anonimowych makroskopowych obrazów klinicznych pochodzących z retrospektywnego archiwum pacjentów.
- Podawać wstępną diagnozę dla każdej zmiany wyłącznie na podstawie obrazów, bez dostępu do historii pacjenta lub wyników histopatologicznych.
- Przesyłać swoje oceny w celu porównania ze złotym standardem (diagnozą histopatologiczną) i wynikami modelu AI.
Przegląd badań
Status
Szczegółowy opis
Badanie to retrospektywne, obserwacyjne badanie dokładności diagnostycznej zaprojektowane w celu oceny działania sztucznej inteligencji opartej na konwolucyjnej sieci neuronowej (CNN) w ocenie pojedynczych zmian skórnych przy użyciu makroskopowych obrazów klinicznych.
Makroskopowe obrazy kliniczne pojedynczych zmian skórnych z potwierdzonymi histopatologicznie lub klinicznie diagnozami zostaną retrospektywnie pobrane z archiwum obrazów dermatologicznych Szpitala Szkoleniowo-Badawczego w Stambule. Wszystkie obrazy i powiązane dokumenty kliniczne zostaną zanonimizowane przed analizą, a wszelkie identyfikujące informacje wizualne lub tekstowe zostaną usunięte. Przetwarzanie i analiza danych będą prowadzone w bezpiecznym, instytucjonalnym środowisku z ograniczonym dostępem wyłącznie dla zespołu badawczego.
Model sztucznej inteligencji oparty na CNN zostanie opracowany przy użyciu technik uczenia nadzorowanego. Kroki wstępnego przetwarzania obrazów będą obejmować zmianę rozmiaru na standaryzowane wymiary wejściowe, normalizację kolorów oraz usunięcie obszarów zawierających potencjalnie identyfikujące informacje. Zbiór danych zostanie podzielony na podzbiory treningowe, walidacyjne i testowe, aby umożliwić rozwój modelu, optymalizację hiperparametrów i niezależną ocenę wydajności. Szkolenie i ocena modelu będą realizowane przy użyciu frameworku głębokiego uczenia PyTorch.
Wydajność diagnostyczna modelu opartego na CNN będzie oceniana przy użyciu standardowych metryk klasyfikacji i porównywana z niezależnymi ocenami dermatologów, rezydentów dermatologii oraz lekarzy nienależących do dermatologów, którzy oceniają ten sam zestaw zanonimizowanych obrazów bez dostępu do dodatkowych informacji klinicznych lub histopatologicznych. Analizy porównawcze zostaną przeprowadzone w celu oceny różnic w wydajności diagnostycznej i zgodności między modelem sztucznej inteligencji a grupami lekarzy.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Fatih
-
Istanbul, Fatih, Turcja (Türkiye), 34098
- S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Pacjenci, którzy wyrazili świadomą zgodę na wykorzystanie swoich obrazów klinicznych w badaniach naukowych.
- Obrazy kliniczne o rozdzielczości przekraczającej 224x224 piksele, zapewniające zgodność z architekturą sztucznej inteligencji.
- Retrospektywne zapisy pojedynczych zmian skórnych z potwierdzonymi diagnozami.
Kryteria wyłączenia:
- Pacjenci, którzy nie wyrazili zgody na wykorzystanie swoich zdjęć klinicznych do celów badawczych.
- Obrazy zawierające potencjalnie identyfikujące informacje osobiste lub cechy wizualne naruszające anonimowość pacjenta.
- Obrazy o rozdzielczości niższej niż 224x224 piksele lub słabej jakości diagnostycznej (np. rozmycie, znaczna przesłona).
- Duplikaty obrazów lub wpisów dotyczących tej samej zmiany.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Kohorta Rozwoju i Walidacji
"To jest jednostronne, retrospektywne badanie obejmujące 17 625 zarchiwizowanych dokumentacji klinicznych z potwierdzonymi diagnozami histopatologicznymi.
Kohorta ta będzie służyć jako główny zestaw danych do rozwoju modelu AI.
Konkretny podzbiór zestawu testowego zostanie niezależnie oceniony przez panel dermatologów i lekarzy innych specjalności w ramach zadania diagnostycznego typu wielokrotnego wyboru.
Wydajność modelu AI będzie porównywana zarówno z wynikami histopatologicznymi złotego standardu, jak i z dokładnością diagnostyczną ludzkich obserwatorów."
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność diagnostyczna opartego na CNN modelu sztucznej inteligencji
Ramy czasowe: Dane wyjściowe (Retrospektywna analiza danych zostanie zakończona w ciągu 4 miesięcy)
|
Dokładność diagnostyczna sztucznej inteligencji opartej na splotowej sieci neuronowej (CNN) w diagnozowaniu pojedynczych zmian skórnych zostanie oceniona przy użyciu wartości dokładności oraz pola pod krzywą charakterystyki pracy odbiornika (ROC-AUC) na podstawie makroskopowych obrazów klinicznych.
|
Dane wyjściowe (Retrospektywna analiza danych zostanie zakończona w ciągu 4 miesięcy)
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Różnica w skuteczności diagnostycznej między modelem opartym na CNN a dermatologami
Ramy czasowe: Linia bazowa (Oczekiwane zakończenie w ciągu 5 miesięcy)
|
Różnica w skuteczności diagnostycznej pomiędzy opartym na sieciach neuronowych modelem sztucznej inteligencji a dermatologami zostanie oceniona na podstawie wskaźników dokładności z wykorzystaniem tego samego zestawu makroskopowych obrazów klinicznych.
|
Linia bazowa (Oczekiwane zakończenie w ciągu 5 miesięcy)
|
|
Różnica w skuteczności diagnostycznej między modelem opartym na CNN a lekarzami niebędącymi dermatologami
Ramy czasowe: Początkowa (Oczekiwane ukończenie w ciągu 5 miesięcy)
|
Różnica w skuteczności diagnostycznej między opartym na sieciach CNN modelem sztucznej inteligencji a lekarzami niebędącymi dermatologami zostanie oceniona na podstawie wskaźników dokładności przy użyciu tego samego zestawu obrazów.
|
Początkowa (Oczekiwane ukończenie w ciągu 5 miesięcy)
|
|
Czułość, specyficzność modelu opartego na CNN i grup lekarzy
Ramy czasowe: Linia bazowa (Oczekiwane ukończenie w ciągu 5 miesięcy)
|
Czułość i swoistość opartego na CNN sztucznej inteligencji modelu oraz grup lekarzy zostanie obliczona i porównana w ocenie pojedynczych zmian skórnych.
|
Linia bazowa (Oczekiwane ukończenie w ciągu 5 miesięcy)
|
|
F1-score modelu opartego na CNN i grup lekarzy
Ramy czasowe: Linia początkowa (Oczekiwane zakończenie w ciągu 5 miesięcy)
|
Wartości F1-score opartego na sieci CNN modelu sztucznej inteligencji oraz grup lekarzy zostaną obliczone i porównane w ocenie pojedynczych zmian skórnych.
|
Linia początkowa (Oczekiwane zakończenie w ciągu 5 miesięcy)
|
Współpracownicy i badacze
Śledczy
- Krzesło do nauki: Ayşe Esra Koku Aksu, MD, Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi
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
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SBU-IEAH-KAEK-20260109-19
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 Nowotwory skóry
-
Northwestern UniversityUniversity of Wisconsin, StoutZakończonyPostrzeganie klinik Skin of Color u AfroamerykanówStany Zjednoczone