Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Uma plataforma para o desenvolvimento de inteligência artificial médica multidisciplinar (AI)

16 de maio de 2021 atualizado por: Haotian Lin, Sun Yat-sen University

O aprendizado profundo biomédico (DL) geralmente depende muito da geração de rótulos confiáveis para dados em grande escala e requisitos altamente técnicos para treinamento de modelos. Para desenvolver modelos DL com eficiência, estabelecemos uma plataforma integrada para introduzir a automação tanto na anotação quanto no treinamento de modelo - o processo primário de desenvolvimento de modelo DL. Com base nessa plataforma, validamos e comparamos quantitativamente a estratégia de anotação e o desenvolvimento do modelo de IA com o método de anotação manual puro realizado em conjuntos de dados de imagens médicas de várias disciplinas.

Visão geral do estudo

Status

Recrutamento

Condições

Tipo de estudo

Observacional

Inscrição (Antecipado)

200

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Contato de estudo

Nome: Haotian Lin, Ph.D, M.D.
Número de telefone: +86-020-87330274
E-mail: gddlht@aliyun.com

Locais de estudo

China
- Guangdong
  - Guangzhou, Guangdong, China, 510060
    - Recrutamento
    - Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
    - Contato:
      
      Haotian Lin, Ph.D, M.D.
      
      Número de telefone: +86-020-87330274
      
      E-mail: gddlht@aliyun.com

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

Filho
Adulto
Adulto mais velho

Aceita Voluntários Saudáveis

Sim

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra de Probabilidade

População do estudo

imagens médicas para várias disciplinas, incluindo oftalmologia, patologia, radiografia, células sanguíneas e endoscopia

Descrição

Critério de inclusão:

ter registro de imagens médicas (incluindo oftalmologia, patologia, radiografia, células sanguíneas e endoscopia)

Critério de exclusão:

imagiologia médica não qualificada

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

Número de grupos/coortes

Coortes e Intervenções

Grupo / Coorte
grupo de colaboração homem-máquina profissionais de saúde e colaboração de máquinas para anotação e desenvolvimento de modelos de IA
grupo manual puro profissionais de saúde para anotação manual pura e desenvolvimento de modelos de IA

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado	Descrição da medida	Prazo
precisão de anotação Prazo: linha de base	calcular a precisão da anotação para comparação entre grupos usando os resultados da anotação	linha de base

Medidas de resultados secundários

Medida de resultado	Descrição da medida	Prazo
precisão do desempenho do modelo Prazo: linha de base	calcular a precisão do modelo de IA para comparação entre grupos usando os resultados previstos do modelo	linha de base
AUC de desempenho do modelo Prazo: linha de base	calcular AUCs do modelo AI para comparação entre grupos usando os resultados previstos do modelo	linha de base
custo do tempo de anotação Prazo: linha de base	calcular o custo do tempo de anotação para comparação entre grupos usando o tempo registrado durante os testes	linha de base

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Sun Yat-sen University

Investigadores

Investigador principal: Haotian Lin, Ph.D, M.D., Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Real)

18 de março de 2021

Conclusão Primária (Real)

1 de abril de 2021

Conclusão do estudo (Antecipado)

31 de maio de 2021

Datas de inscrição no estudo

Enviado pela primeira vez