AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model
AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model: A Comparative Diagnostic Accuracy Study
Chest X-rays are widely used to detect thoracic and lung conditions, but reviewing high volumes of radiographs can lead to workload strain and variation between interpreters. Artificial intelligence (AI), particularly deep learning neural networks like DenseNet-121, has shown strong potential to assist clinicians with automated image interpretation. However, AI models trained on large international datasets, such as CheXpert, may perform differently across distinct patient populations due to variations in imaging technique, patient demographics, and disease presentation.
The primary purpose of this study is to compare the diagnostic accuracy of a DenseNet-121 model trained or fine-tuned on local data against a DenseNet-121 model pretrained on the CheXpert dataset for identifying thoracic pathologies. Both models will evaluate de-identified frontal chest radiographs from adult patients. Model predictions will be compared against a reference standard established by expert radiologist consensus, with discordant findings resolved using chest computed tomography (CT). Findings will evaluate whether local model adaptation improves diagnostic precision and workflow efficiency in clinical settings.
Visão geral do estudo
Status
Status
Condições
Condições
Tipo de estudo
Tipo de estudo
Inscrição (Estimado)
Inscrição
Critérios de participação
Critérios de elegibilidade
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
The study population comprises adult patients aged 18 years and older who undergo frontal chest radiography within institutional radiology departments. Eligible subjects have de-identified, diagnostic-quality frontal chest X-ray images with available reference diagnostic labels verified through expert radiologist consensus and chest CT adjudication. Pediatric cases, non-diagnostic images, incomplete metadata, and duplicate scans are excluded.
Descrição
Inclusion Criteria:
- Adult patients aged 18 years or older.
- Undergoing frontal chest radiography.
- Diagnostic-quality frontal chest radiographs.
- Availability of reference diagnostic labels (verified by expert radiologist consensus or chest CT).
Exclusion Criteria:
- Pediatric patients (under 18 years of age).
- Non-diagnostic or poor-quality chest radiographs.
- Incomplete clinical or imaging metadata.
- Duplicate radiographic images or repeat patient entries.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Modelos de observação: COHORT
- Perspectivas de Tempo: CROSS_SECTIONAL
Número de grupos/coortes
Coortes e Intervenções
Grupo / CoorteGrupo / Coorte |
|---|
|
Adult Frontal Chest Radiography Cohort
This cohort includes adult patients aged 18 years and older who undergo diagnostic-quality frontal chest radiography with available reference diagnostic labels. De-identified chest radiographs from this group are evaluated by two deep learning architectures: a study-trained/fine-tuned DenseNet-121 convolutional neural network and a CheXpert-pretrained DenseNet-121 model. Model predictions are evaluated against reference standards derived from expert radiologist consensus, with discordant cases adjudicated via chest computed tomography (CT). |
O que o estudo está medindo?
Medidas de resultados primários
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Area Under the Receiver Operating Characteristic Curve (AUROC)
Prazo: Baseline
|
AUROC will be calculated to assess and compare the diagnostic performance of the study-trained DenseNet-121 model versus the CheXpert-pretrained DenseNet-121 model in detecting thoracic pathologies on frontal chest radiographs. AI predictions will be compared against the reference standard of expert radiologist consensus, with discordant findings adjudicated by chest CT. AUROC values range from 0.5 (no discrimination) to 1.0 (perfect discrimination). |
Baseline
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Início do estudo
Conclusão Primária (Estimado)
Conclusão Primária
Conclusão do estudo (Estimado)
Conclusão do estudo
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Primeira postagem
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última Atualização Postada
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
Outros números de identificação do estudo
- AI Chest X-Ray Assessment
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .