Realista na geração de imagens de células HEp-2 usando modelos de difusão latente: um teste de Turing visual multicêntrico
Avaliando o realismo de imagens de células ANA HEp-2 sintetizadas usando modelos de difusão latente: um teste de Turing visual multicêntrico
O objetivo deste estudo observacional prospectivo é examinar rigorosamente a viabilidade e eficácia da utilização de modelos de difusão latente para aumento de dados em imagens de imunofluorescência de células Hep-2 de anticorpos antinucleares (ANA). A principal questão que pretende responder é:
A aplicação de tais modelos pode potencialmente melhorar a qualidade dos dados, aumentar a diversidade da amostra ou melhorar a precisão e a eficiência dos processos analíticos subsequentes (como diagnóstico e classificação de doenças) quando utilizados com imagens relacionadas ao ANA?
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Um problema fundamental na investigação biomédica é o baixo número de observações disponíveis, principalmente devido à falta de bioamostras disponíveis, custos proibitivos ou razões éticas. Aumentar poucas observações reais com amostras geradas in silico poderia levar a resultados de análise mais robustos e a uma maior taxa de reprodutibilidade. Aqui, os investigadores propõem o uso de aprendizagem não supervisionada com modelos de difusão latente para a geração realista de dados de imagem ANA-IIF.
Os investigadores levantam a hipótese de que a geração da imagem ANA-IIF será realista se for difícil diferenciá-los (falso) do real (verdadeiro). Para testar esta hipótese, os investigadores apresentam testes Multicêntricos de Turing Visual (https://turing.rednoble.net/) para avaliar a qualidade das imagens geradas (falsas).
Esta configuração experimental permite que os investigadores validem a qualidade geral das imagens ANA-IIF geradas, que podem então ser usadas para (1) treinar citopatologistas para fins educacionais e (2) gerar amostras realistas para treinar redes profundas com big data.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Locais de estudo
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, China, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Originário de instituições médicas respeitáveis
- Possuir certificação e qualificações relevantes
- Ter mais de um ano de experiência na interpretação de padrões de anticorpos antinucleares (ANA) em ambiente laboratorial
Critério de exclusão:
- Falta de certificação e qualificações profissionais relevantes
- Sem experiência na interpretação de padrões ANA
- Não está disposto a aceitar as regras e o consentimento informado do teste visual de Turing
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
especialistas
com mais de 20 anos de experiência em leitura ANA-IIF
|
determinar o tipo de padrão ANA com ou sem referência aos resultados da saída do modelo de IA.
|
|
citopatologistas juniores
menos de 5 anos de experiência médica acadêmica
|
determinar o tipo de padrão ANA com ou sem referência aos resultados da saída do modelo de IA.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
O realismo das imagens sintetizadas por modelos de difusão
Prazo: Linha de base
|
Os investigadores conduziram um estudo utilizando o método de teste visual de Turing, medindo através de um formato de questionário, e avaliaram os resultados da medição utilizando uma escala Likert de 5 pontos. A Escala Likert de 5 pontos avalia a opinião dos participantes sobre a qualidade das imagens por meio de cinco opções de resposta: Real, Muito parecido, Incerto, Não exatamente, Falso. Ele calcula as pontuações atribuindo números (por exemplo, 5 a 1) a essas opções, somando as pontuações de cada participante. Os resultados são avaliados analisando a distribuição das pontuações, incluindo pontuações médias, e avaliando sua confiabilidade e validade. Além disso, o investigador calculou uma série de parâmetros utilizados para avaliação do modelo interno, incluindo: incluindo precisão, recall, pontuação F1 e precisão média média (mAP). |
Linha de base
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
O impacto do resultado do modelo de IA nos participantes
Prazo: Linha de base
|
O investigador avaliou a mudança na taxa de precisão das interpretações dos participantes antes e depois de serem auxiliados pelo modelo de IA, os investigadores conduzirão uma análise comparativa.
Além disso, o investigador calcula o coeficiente de concordância Kappa entre as interpretações humanas e o modelo, e avalia se há diferenças na precisão entre citopatologistas com níveis variados de experiência quando assistidos por IA.
|
Linha de base
|
|
O tempo necessário para a interpretação do padrão ANA
Prazo: Linha de base
|
O investigador compara o tempo que o participante leva para concluir as interpretações antes e depois da intervenção do modelo de IA, avaliando se há redução no tempo médio de interpretação por caso, de X minutos de assistência pré-AI a Y minutos pós-AI.
|
Linha de base
|
Colaboradores e Investigadores
Investigadores
- Diretor de estudo: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Publicações e links úteis
Publicações Gerais
- Zeng J, Gao X, Gao L, Yu Y, Shen L, Pan X. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework. Brief Bioinform. 2024 Jan 22;25(2):bbad531. doi: 10.1093/bib/bbad531.
- Rahman S, Wang L, Sun C, Zhou L. Deep learning based HEp-2 image classification: A comprehensive review. Med Image Anal. 2020 Oct;65:101764. doi: 10.1016/j.media.2020.101764. Epub 2020 Jul 7.
- Hobson P, Lovell BC, Percannella G, Vento M, Wiliem A. Benchmarking human epithelial type 2 interphase cells classification methods on a very large dataset. Artif Intell Med. 2015 Nov;65(3):239-50. doi: 10.1016/j.artmed.2015.08.001. Epub 2015 Aug 13.
- Niehues JM, Muller-Franzes G, Schirris Y, Wagner SJ, Jendrusch M, Kloor M, Pearson AT, Muti HS, Hewitt KJ, Veldhuizen GP, Zigutyte L, Truhn D, Kather JN. Using histopathology latent diffusion models as privacy-preserving dataset augmenters improves downstream classification performance. Comput Biol Med. 2024 Jun;175:108410. doi: 10.1016/j.compbiomed.2024.108410. Epub 2024 Apr 4.
- Selim M, Zhang J, Brooks MA, Wang G, Chen J. DiffusionCT: Latent Diffusion Model for CT Image Standardization. AMIA Annu Symp Proc. 2024 Jan 11;2023:624-633. eCollection 2023.
- Marouf M, Machart P, Bansal V, Kilian C, Magruder DS, Krebs CF, Bonn S. Realistic in silico generation and augmentation of single-cell RNA-seq data using generative adversarial networks. Nat Commun. 2020 Jan 9;11(1):166. doi: 10.1038/s41467-019-14018-z.
Links úteis
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- XH-24-007
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
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 .