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

Sistema multimodal de diagnóstico por imagem e auxílio à decisão para equinococose hepática baseado em ômica de imagem e macromodelo de visão

13 de setembro de 2024 atualizado por: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
A equinococose hepática (equinococose hepática) é uma importante doença zoonótica amplamente existente nas áreas agrícolas e pastoris do noroeste da China. A doença pode ser parasitária em qualquer parte do corpo humano e afetar vários órgãos. Em casos graves, os pacientes perderão a capacidade de trabalhar. Atualmente, a doença enfrenta desafios na precisão do diagnóstico, na identificação do tipo específico, na avaliação da atividade pré-operatória, na previsão de recorrência pós-operatória e na avaliação da decisão da indentação do tubo T. Este problema é particularmente significativo em áreas de alta incidência, com distribuição desigual de recursos médicos e escassez de excelentes médicos e clínicos de imagem. Nossos estudos anteriores demonstraram que o uso de grandes modelos visuais e algoritmos ômicos de imagem pode efetivamente segmentar lesões de equinococos hepáticos, extrair características principais e fornecer aos médicos diagnósticos precisos e confiáveis ​​e recomendações de tratamento. Acreditamos que, com base na transformação de diferentes modos de imagem médica (como ressonância magnética, tomografia computadorizada e ultrassom) com base em um grande conjunto de dados multicêntrico mais amplo, o objetivo de identificação eficaz, diagnóstico, suporte à decisão cirúrgica e previsão pós-operatória precisa de problemas hepáticos equinococose pode ser alcançada. Usaremos soluções de tecnologia de inteligência artificial, como rede de geração adversária, modelo de visão grande, imagens ômicas e fusão de nível de decisão, levando em consideração a eficiência do diagnóstico e do tratamento, a automação do diagnóstico e do tratamento e a interpretabilidade dos resultados do diagnóstico, para construir um diagnóstico e prognóstico abrangente e preciso. sistema para equinococose hepática

Visão geral do estudo

Descrição detalhada

  1. Reconhecimento automático/diagnóstico eficiente de equinococose hepática: Desenvolvimento de uma ferramenta de diagnóstico de IA baseada em aprendizagem profunda que visa melhorar a diferenciação da equinococose hepática de outras doenças hepáticas, como cistos hepáticos, abscessos hepáticos e outras lesões císticas hepáticas que ocupam espaço. A ferramenta utilizará redes adversárias generativas e algoritmos de autoatenção polarizados para identificar e classificar eficazmente a equinococose hepática para compensar a desigualdade de recursos médicos e a escassez de médicos profissionais na região oeste
  2. Diagnóstico diferencial de tipos específicos de equinococose hepática: Explorar o uso de imagens multimodais combinadas com métodos de aprendizagem profunda para distinguir o tipo CL, o tipo CE1 e o cisto hepático da equinococose hepática. Esta pesquisa aplicará o algoritmo de segmentação de imagens médicas DINOv2 e a tecnologia de aprendizagem profunda para identificar com precisão casos com dados complexos e distribuídos de forma relativamente desigual.
  3. Previsão de recorrência pós-operatória de equinococose hepática: O aprendizado de transferência e o algoritmo Deep-SVDD são usados ​​para prever o risco de recorrência pós-operatória de equinococose hepática, fornecendo uma solução eficaz para conjuntos de dados de tamanho de amostra desequilibrados. Além disso, ao integrar os dados na plataforma médica de big data, foi estabelecido um modelo de previsão de recorrência pós-operatória baseado em IA

Tipo de estudo

Observacional

Inscrição (Real)

1000

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.

Locais de estudo

    • China/Guangdong
      • Guangzhou, China/Guangdong, China
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

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

Método de amostragem

Amostra Não Probabilística

População do estudo

Neste estudo, com base nos dados de imagem de pacientes com hidatida hepática confirmada por patologia após a cirurgia, a tecnologia de aprendizagem profunda foi usada para distinguir a hidatida hepática de lesões da estação cística hepática, como cisto hepático e abscesso hepático

Descrição

Critério de inclusão:

  1. Pacientes com imagens originais completas nos formatos dcim de tomografia computadorizada, ultrassom e ressonância magnética
  2. Pacientes com hidatídeo hepático confirmado por patologia após operação
  3. Pacientes com preservação completa dos dados clínicos

Critério de exclusão:

  1. Pacientes com dados de imagem de baixa qualidade
  2. Pacientes com dados clínicos incompletos
  3. Pacientes com hidatida hepática CE4 e CE5 diagnosticados apenas por imagem, sem tratamento cirúrgico

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

Coortes e Intervenções

Grupo / Coorte
Intervenção / Tratamento
Grupo de observação
Neste estudo, foram tomados como objeto de pesquisa dados de imagens pré-operatórias de pacientes com hidatida hepática
A rede neural artificial foi construída para identificar automaticamente a hidatídeo do fígado usando tecnologia de aprendizagem profunda
Grupo de controle
Cisto hepático, abscesso hepático e fígado normal foram o grupo controle
A rede neural artificial foi construída para identificar automaticamente a hidatídeo do fígado usando tecnologia de aprendizagem profunda

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
curva roc
Prazo: 2024,7-2026,3
Curva característica de operação do receptor
2024,7-2026,3
CUA
Prazo: 2024,7-2026,3
Área sob a curva ROC
2024,7-2026,3
PPV
Prazo: 2024,7-2026,3
Valor Preditivo Positivo
2024,7-2026,3
VPL
Prazo: 2024,7-2026,3
Valor Preditivo Negativo
2024,7-2026,3

Colaboradores e Investigadores

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

Investigadores

  • Diretor de estudo: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Publicações e links úteis

A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.

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)

30 de setembro de 2023

Conclusão Primária (Real)

12 de setembro de 2024

Conclusão do estudo (Real)

12 de setembro de 2024

Datas de inscrição no estudo

Enviado pela primeira vez

2 de agosto de 2024

Enviado pela primeira vez que atendeu aos critérios de CQ

2 de agosto de 2024

Primeira postagem (Real)

6 de agosto de 2024

Atualizações de registro de estudo

Última Atualização Postada (Real)

19 de setembro de 2024

Última atualização enviada que atendeu aos critérios de controle de qualidade

13 de setembro de 2024

Última verificação

1 de setembro de 2024

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

Dados relevantes de imagens médicas envolvem a privacidade do paciente e o grupo de pesquisa recusou-se a compartilhá-los

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 .

Se inscrever