- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04952233
Прикладная ценность глубокого обучения в диагностике шейного спондилеза
По сравнению с личными суждениями врачей, глубокое обучение может идентифицировать что-то быстрее, эффективнее и точнее. Идентификация и диагностика заболеваний экономят энергию клинических и визуализирующих врачей и обеспечивают индивидуальный диагноз пациентов. Диагностика и оценка полезны для формулировки. клинико-хирургических методов и улучшение прогнозов больных.
В этом исследовании используется технология глубокого обучения, на основе больших данных о случаях шейного спондилеза изучается возможность использования глубокого обучения. уровень диагностики шейного спондилеза с помощью искусственного интеллекта.
Обзор исследования
Статус
Условия
Подробное описание
Шейный спондилез обусловлен шейными дисками и межпозвонковыми суставами и их вторичными изменениями в прилежащем спинном мозге, нервных корешках и позвоночных артериях и других тканевых структурах, вызывая соответствующие клинические симптомы. Шейный спондилез является распространенным и частым заболеванием среди людей среднего и пожилого возраста. Заболеваемость шейным спондилезом составляет 10 процентов среди людей старше 30 лет и выше среди тех, кто работает за письменным столом.
Распространены два вида шейного спондилеза: шейная спондилотическая радикулопатия и шейная спондилотическая миелопатия. Принципы лечения сильно различаются, и прогноз после лечения тоже разный. Точная предоперационная визуализация и клинический диагноз помогают точно оценить эффект операции и прогноз для пациентов.
Поэтому для достижения ранней точной диагностики является улучшение шейного отдела позвоночника Ключ к лечебному эффекту болезни. Обычно называемое глубоким обучением, это своего рода метод анализа шаблонов посредством комбинации простого и нелинейного модуля для многоуровневой модели «обучения персонажей» или «упомянутого обучения» каждого модуля с данными каждого слоя (исходного ввода) в более высокий уровень. измерение, более абстрактное представление, когда этих преобразований достаточно. Исходное представление признаков «низкого уровня» может быть преобразовано в представление признаков «высокого уровня», и могут быть выполнены сложные задачи обучения, такие как классификация.
Для задачи классификации признаки, важные для классификации, усиливаются за счет увеличения количества слоев, а нерелевантные признаки игнорируются.
В настоящее время основными методами исследования являются сверточные нейронные сети (CNN), самокодирующиеся нейронные сети на основе многослойных нейронов и сети глубокого доверия. В настоящее время CNN в основном используется в области распознавания медицинских изображений.
Такие как AlexNet, Densenet, VGG16, Googlenet и так далее. Мотивация глубокого обучения заключается в создании нейронных сетей, которые имитируют человеческий мозг для аналитического обучения. Он имитирует механизмы человеческого мозга для интерпретации данных, таких как изображения, звуки и текст, и добился значительного прогресса в решении многих проблем, которые трудно решить с помощью традиционного машинного обучения.
Методы глубокого обучения очень хорошо зарекомендовали себя при обнаружении сложных структур в многомерных данных.
В области медицины и здравоохранения технологии искусственного интеллекта постепенно решили проблему интерпретации данных различных медицинских изображений, обнаружили больше информации, «спрятанной» за изображениями, такими как рентген, КТ, МРТ и т. д., и будут постепенно реализуют распознавание, скрининг и диагностику конкретного случая, достигая экспертного уровня диагностики.
В то же время применение технологии искусственного интеллекта может снизить нагрузку на врачей, снизить количество ошибочных медицинских диагнозов и повысить эффективность диагностики и лечения.
В настоящее время глубокое обучение нашло широкое применение в диагностике и прогнозировании различных заболеваний различных систем организма.
Хемке и др. провел исследование машинного обучения после ручной сегментации КТ-изображений таза и обнаружил, что модель глубокого обучения можно использовать для автоматического распознавания и сегментации различных типов тканей в полости таза, включая мышцы, кости, жир, подкожно-жировую ткань и т. д. .
Коитиро Ясака и др. [8] провели исследование поясничного отдела позвоночника с помощью глубокого обучения и обнаружили, что глубокое обучение можно использовать для прогнозирования плотности костной ткани поясничного отдела позвоночника и дальнейшей оценки тяжести остеопороза.
Спампинато и др. провел исследование глубокого обучения на рентгеновских снимках рук для прогнозирования костного возраста.
Поэтому очень важно применять глубокое обучение, новую аналитическую технику, для распознавания особенностей изображений КТ-изображений шейки матки. Значимость исследования заключается в следующем:
Точная и эффективная предоперационная диагностика шейного спондилеза может быть реализована, чтобы избежать чрезмерного лечения или задержки заболевания, вызванной пропущенным диагнозом или ошибочным диагнозом. Для пациентов может быть достигнута индивидуальная диагностика и оценка, что помогает клинически обоснованно определить стратегии лечения и способствует разработке клинических хирургических методов и улучшению прогноза пациента.
Тип исследования
Регистрация (Ожидаемый)
Контакты и местонахождение
Контакты исследования
- Имя: huishu yuan
- Номер телефона: 13521627288
- Электронная почта: chunjiewang17@126.com
Учебное резервное копирование контактов
- Имя: chunjie wang
- Номер телефона: 13521627288
- Электронная почта: chunjiewang17@126.com
Места учебы
-
-
Beijing
-
Beijing, Beijing, Китай, 010
- Рекрутинг
- Peking University Third Hospital
-
Контакт:
- Huishu Yuan, Dr
- Номер телефона: 13521627288
- Электронная почта: huishuy@bjmu.edu.cn
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Хирургическое лечение перед визуализацией не проводилось. Отчет о визуализации и клинический диагноз шейного спондилеза с окостенением задней продольной связки или без него.
- Пациенты, которые посещали ортопедическое отделение и отделение неотложной помощи нашей больницы без хирургического лечения до сканирования изображения и без явных аномалий не были обнаружены при КТ шейки матки.
Критерий исключения:
- Операция перед получением данных изображения;
- Рак шейки матки, туберкулез и переломы;
- Отсутствие данных изображения, изображение нечеткое.
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Другой
- Временные перспективы: Ретроспектива
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Сравните согласованность между ИИ и клиницистами в определении признаков КТ шейного отдела (искривление шейки матки, выравнивание, межпозвонковое пространство, грыжа диска, оссификация задней продольной связки, спинальный стеноз)
Временное ограничение: 2019-2021
|
Сравните согласованность между ИИ и клиницистами в определении признаков КТ шейного отдела (искривление шейки матки, выравнивание, межпозвонковое пространство, грыжа диска, оссификация задней продольной связки, спинальный стеноз)
|
2019-2021
|
Соавторы и исследователи
Спонсор
Следователи
- Учебный стул: Huishu Yuan, Peking University Third Hospital
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Ожидаемый)
Завершение исследования (Ожидаемый)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- M2020499
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
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. .