Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

AI-Based Assessment of Chest Diseases on Chest X-ray Imaging Using DenseNet-121 and a CheXpert-Trained Model

17 сентября 2026 г. обновлено: Ibrahim Mohamed Ibrahim, Assiut University

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.

Обзор исследования

Статус

Статус

Указывает текущий статус найма или статус расширенного доступа.
Еще не набирают

Условия

Условия

Изучаемое заболевание, расстройство, синдром, болезнь или травма. На ClinicalTrials.gov условия могут также включать другие вопросы, связанные со здоровьем, такие как продолжительность жизни, качество жизни и риски для здоровья.

Тип исследования

Тип исследования

Описывает характер клинического исследования. Типы исследований включают интервенционные исследования (также называемые клиническими испытаниями), наблюдательные исследования (включая регистры пациентов) и расширенный доступ.
Наблюдательный

Регистрация (Оцененный)

Регистрация

Количество участников клинического исследования. «Предполагаемый» набор — это целевое количество участников, необходимое исследователям для исследования.
100

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Критерии приемлемости

Ключевые требования, которым должны соответствовать люди, желающие участвовать в клиническом исследовании, или характеристики, которыми они должны обладать. Критерии приемлемости состоят как из критериев включения (которые необходимы человеку для участия в исследовании), так и из критериев исключения (которые препятствуют участию человека). Типы критериев приемлемости включают в себя участие в исследовании здоровых добровольцев, требования к возрасту или возрастной группе или ограничение по полу.

Возраст, подходящий для обучения

18 лет и старше (Взрослый, Пожилой взрослый)

Принимает здоровых добровольцев

Н/Д

Полы, имеющие право на обучение

Все

Метод выборки

Невероятностная выборка

Исследуемая популяция

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.

Описание

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.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

  • Наблюдательные модели: COHORT
  • Временные перспективы: CROSS_SECTIONAL

Когорты и вмешательства

Группа / когорта

Группа / когорта

Группа или подгруппа участников обсервационного исследования, которое оценивается на предмет биомедицинских результатов или исходов для здоровья.
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).

Что измеряет исследование?

Первичные показатели результатов

Первичные показатели результатов

В протоколе клинического исследования - планируемая мера исхода, которая является наиболее важной для оценки эффекта вмешательства/лечения. В большинстве клинических исследований используется один первичный критерий исхода, но в некоторых — более одного.
Мера результата
Мера Описание
Временное ограничение
Area Under the Receiver Operating Characteristic Curve (AUROC)
Временное ограничение: 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

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Спонсор

Организация или лицо, которое инициирует исследование и имеет полномочия и контроль над исследованием.
Assiut University

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Оцененный)

Начало исследования

Фактическая дата, когда первый участник был включен в клиническое исследование. «Предполагаемая» дата начала исследования — это дата, которая, по мнению исследователей, будет датой начала исследования.
1 октября 2026 г.

Первичное завершение (Оцененный)

Первичное завершение

Дата, когда последний участник клинического исследования был осмотрен или получил вмешательство для сбора окончательных данных для измерения основного результата. На эту дату не влияет, закончилось ли клиническое исследование в соответствии с протоколом или было прекращено. Для клинических исследований с более чем одним показателем первичного исхода с разными датами завершения этот термин относится к дате завершения сбора данных для всех показателей первичного исхода. «Предполагаемая» дата завершения первичного исследования — это дата, которая, по мнению исследователей, будет датой завершения первичного исследования.
1 октября 2027 г.

Завершение исследования (Оцененный)

Завершение исследования

Дата, когда последний участник клинического исследования был обследован или получил вмешательство/лечение для сбора окончательных данных по первичным показателям исхода, вторичным показателям исхода и нежелательным явлениям (т. е. последний визит последнего участника). «Предполагаемая» дата завершения исследования — это дата, которая, по мнению исследователей, будет датой завершения исследования.
1 ноября 2027 г.

Даты регистрации исследования

Первый отправленный

Первый отправленный

Дата, когда спонсор исследования или исследователь впервые отправил отчет об исследовании на веб-сайт ClinicalTrials.gov. Обычно существует задержка в несколько дней между датой первой отправки и доступностью записи на ClinicalTrials.gov (дата первой публикации).
17 сентября 2026 г.

Впервые представлено, что соответствует критериям контроля качества

Впервые представлено, что соответствует критериям контроля качества

Дата, когда спонсор исследования или исследователь впервые представляет отчет об исследовании, который соответствует критериям проверки контроля качества (QC) Национальной медицинской библиотеки (NLM). Спонсору или исследователю может потребоваться пересмотреть и отправить отчет об исследовании один или несколько раз, прежде чем будут выполнены критерии проверки контроля качества NLM. Спонсор или исследователь несет ответственность за обеспечение того, чтобы запись исследования соответствовала критериям обзора NLM QC.
17 сентября 2026 г.

Первый опубликованный (Действительный)

Первый опубликованный

Дата, когда запись исследования была впервые доступна на сайте ClinicalTrials.gov после завершения обзора контроля качества (QC) Национальной медицинской библиотеки (NLM). Обычно существует задержка в несколько дней между датой подачи спонсором исследования или исследователем записи об исследовании и датой первой публикации.
22 сентября 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

Последнее опубликованное обновление

Самая последняя дата, когда изменения в протоколе исследования были доступны на сайте ClinicalTrials.gov. Может быть задержка между отправкой изменений на сайт ClinicalTrials.gov спонсором или исследователем исследования (дата отправки последнего обновления) и датой публикации последнего обновления.
22 сентября 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

Последнее отправленное обновление, отвечающее критериям контроля качества

Самая последняя дата, когда спонсор исследования или исследователь внес изменения в отчет об исследовании, которые соответствуют критериям проверки контроля качества (QC) Национальной медицинской библиотеки (NLM). Спонсор или исследователь несет ответственность за обеспечение того, чтобы запись исследования соответствовала критериям обзора NLM QC.
17 сентября 2026 г.

Последняя проверка

Последняя проверка

Самая последняя дата, когда спонсор исследования или исследователь подтвердил информацию о клиническом исследовании на сайте ClinicalTrials.gov как точную и актуальную. Если исследование с набором статуса набора; еще не вербовка; или активен, набор не был подтвержден в течение последних 2 лет, статус набора в исследование показан как неизвестный.
1 сентября 2026 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

Другие идентификационные номера исследования

Идентификаторы или идентификационные номера, отличные от номера NCT, которые присваиваются клиническому исследованию спонсором исследования, спонсорами или другими лицами. Эти номера могут включать уникальные идентификаторы из других реестров испытаний и номера грантов Национального института здравоохранения.
  • AI Chest X-Ray Assessment

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Настройки файлов cookie

Мы используем файлы cookie, чтобы обеспечить максимальное удобство использования нашего веб-сайта. Для получения дополнительных сведений внимательно прочитайте нашу Политику конфиденциальности и файлов cookie. ...>>>Вы можете изменить свои предпочтения или отозвать свое согласие в любое время, удалив файлы cookie со своего веб-сайта или компьютера, как описано в политике. Примите его и выберите свои предпочтения, отметив соответствующие поля в разделе «Управление настройками» ниже. Пожалуйста, внимательно прочтите наши Условия использования, прежде чем продолжить использование любой части этого веб-сайта.
«Управление настройками