Potencial de aprendizado profundo na avaliação de pneumoconiose representada na radiografia digital do tórax
8 de julho de 2021 atualizado por: Peking University Third Hospital
Investigue o potencial da aprendizagem profunda na avaliação da pneumoconiose retratada em radiografias digitais do tórax e compare seu desempenho com radiologistas certificados
A pneumoconiose é relativamente prevalente em países de baixa/média renda e continua sendo uma tarefa desafiadora diagnosticar com precisão e confiabilidade a pneumoconiose.
Os investigadores implementaram uma solução de aprendizado profundo e esclareceram o potencial do aprendizado profundo no diagnóstico de pneumoconiose, comparando seu desempenho com dois radiologistas certificados.
O aprendizado profundo demonstrou um potencial único na classificação da pneumoconiose.
Visão geral do estudo
Status
Concluído
Condições
Intervenção / Tratamento
Descrição detalhada
Os investigadores coletaram retrospectivamente um conjunto de dados que consiste em 1.881 imagens de raios X de tórax na forma de radiografia digital.
Essas imagens foram adquiridas em um ambiente de triagem em indivíduos que tinham um histórico de trabalho em um ambiente que os expunha a poeira nociva.
Entre esses indivíduos, 923 foram diagnosticados com pneumoconiose e 958 eram normais.
Para identificar os indivíduos com pneumoconiose, os investigadores aplicaram uma rede neural convolucional profunda clássica (CNN) chamada Inception-V3 a esses conjuntos de imagens e validaram o desempenho de classificação dos modelos treinados usando a área sob a curva característica de operação do receptor (AUC).
Tipo de estudo
Observacional
Inscrição (Real)
1881
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
Não
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Destes indivíduos, 923 foram diagnosticados com pneumoconiose, 958 eram normais.
Dentre esses sujeitos, 163 eram do sexo feminino.
Descrição
Critério de inclusão:
- trabalhadores industriais com histórico de exposição a poeira e submetidos a triagem de DR de pneumoconiose de 2015 a 2018
Critério de exclusão:
- pacientes com má qualidade de imagem
- pacientes com dados clínicos incompletos
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
- Modelos de observação: Caso-somente
- Perspectivas de Tempo: Retrospectivo
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
rede neural convolucional (CNN)
uma rede neural convolucional profunda clássica (CNN) chamada Inception-V3 foi aplicada aos conjuntos de imagens e validou o desempenho de classificação dos modelos treinados
|
Arquitetura CNN chamada arquitetura U-Net
Outros nomes:
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
diagnóstico de pneumoconiose
Prazo: até 6 meses
|
O diagnóstico e estadiamento da pneumoconiose foram feitos por um painel de especialistas composto por radiologistas certificados e médicos do trabalho.
O diagnóstico de pneumoconiose foi confirmado pela história médica e registros médicos anteriores (radiografia de tórax e testes de função pulmonar).
|
até 6 meses
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Cadeira de estudo: Xiaohua Wang, Peking University Third Hospital
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)
1 de janeiro de 2015
Conclusão Primária (Real)
31 de dezembro de 2018
Conclusão do estudo (Real)
31 de dezembro de 2019
Datas de inscrição no estudo
Enviado pela primeira vez
28 de junho de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
8 de julho de 2021
Primeira postagem (Real)
15 de julho de 2021
Atualizações de registro de estudo
Última Atualização Postada (Real)
15 de julho de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
8 de julho de 2021
Última verificação
1 de junho de 2021
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- M2019467
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Não
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .