Применение многозадачной модели глубокого обучения для оценки тяжести дегенерации фасеточных суставов позвоночника
8 августа 2025 г. обновлено: Hai Lv
Остеоартроз фасеточных суставов позвоночника – заболевание с высокой частотой встречаемости среди лиц старше 40 лет.
Это заболевание, характеризующееся комплексом дегенеративно-патологических изменений и клиническими особенностями синовиальной оболочки, суставного хряща, субхондральной кости, суставной щели и добавочных тканей дугоотростчатых суставов позвоночника под действием множества факторов.
Некоторые физиологические или патологические факторы могут привести к остеоартрозу фасеточных суставов позвоночника.
У пациентов с фасеточным остеоартрозом позвоночника часто отмечаются различные по степени выраженности клинические проявления в виде болей в спине и дискинезии, которые существенно влияют на физическое и психическое здоровье пациентов.
Тяжесть фасеточных остеоартритов позвоночника не только оказывает определенное влияние на боль в пояснице и изменения плотности мышц поясницы, но также влияет на ведение пациентов и план лечения.
В настоящее время разные врачи имеют определенную субъективность в оценке остеоартроза поясничного отдела позвоночника, а последовательность и воспроизводимость результатов плохие.
Кроме того, врачам необходимо читать изображения изображений и судить о классификации, что требует очень много времени и повторяющейся работы.
В последние годы применение технологии глубокого обучения в анализе медицинских изображений вызвало большой интерес у клиницистов.
Глубокое обучение имеет большие потенциальные преимущества в диагностике медицинских изображений.
Он может предоставлять полуавтоматические отчеты под наблюдением радиологов, чтобы повысить точность, последовательность, объективность и скорость оценки степени заболевания, а также дополнительно поддерживать принятие клинических решений на этой основе.
В рамках этого проекта планируется разработать интеллектуальную систему диагностики и классификации дегенеративных заболеваний мелких суставов позвоночника с многозадачностью и углубленным изучением, а также проверить ее клиническую осуществимость, чтобы помочь клиницистам повысить точность, последовательность, объективность и скорость диагностики. соответствующая оценка степени заболевания и дальнейшая поддержка принятия последующих клинических решений.
Обзор исследования
Статус
Активный, не рекрутирующий
Вмешательство/лечение
Подробное описание
Этот проект представляет собой ретроспективное клиническое исследование.
с 2019 по 2022 год были собраны изображения в формате DICOM и базовая информация о рентгенографии, КТ и МРТ амбулаторных и стационарных пациентов с подозрением на поясницу и в Пятой дочерней больнице Университета Сунь Ятсена.
Получите режим изображения DICOM, и информационный раздел экспортирует данные после успешной отправки пакета OA; Основная информация о пациенте собирается из стационарной истории болезни.
Планируется включить 700 пациентов.
Эти проекты случайным образом делятся на обучающий набор, проверочный набор и тестовый набор в соответствии с соотношением 7: 1,5: 1,5 для автоматической диагностики компьютерной модели углубленного обучения для проверки стабильности и надежности модели.
В 700 проектах два младших врача и два старших врача с десятилетним опытом чтения фильмов соответственно оценивали стеноз сустава, гипертрофию, остеофит, эрозию суставной поверхности и субхондральную кисту.
Непоследовательные результаты в группе младших врачей были совместно решены двумя врачами.
Группа эталонных стандартов была определена группой старших врачей.
Путем сравнения результатов диагностики клиницистов и моделей. Оценить производительность и клиническую осуществимость модели глубокого обучения для автоматической диагностики дегенерации поясничных фасеток. Сравнить результаты суждения врача и прогнозирования модели, а также статистически проанализировать эффективность автоматической диагностики модель.
Показатели оценки эффективности включают точность, чувствительность, специфичность, правильность, полноту, значение F1 и значение AUC.
Значение F1 и значение AUC являются основными показателями для комплексной оценки производительности модели.
Чем выше значение F1 и значение AUC, тем выше производительность модели.
Тип исследования
Наблюдательный
Регистрация (Оцененный)
1132
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
Guangdong
-
Zhuhai, Guangdong, Китай
- The fifth affiliated hospital of SYSU
-
-
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
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Нет
Метод выборки
Невероятностная выборка
Исследуемая популяция
У пациентов, получающих визуализирующее обследование из-за болей в пояснице, степень дегенерации фасеточных суставов пациентов не является тяжелой.
Удалите пациентов, отвечающих критериям исключения, чтобы избежать плохого качества изображения, влияющего на оценку.
Описание
Критерии включения:
- С 2019 по 2022 год данные пациентов, проходивших рентгенографию поясничного отдела позвоночника в Пятой дочерней больнице Университета Сунь Ятсена.
Критерий исключения:
- Поясничный спондилолистез
- Предыдущий перелом позвонка
- Имейте историю вертебральной хирургии
- Серьезные артефакты на поясничных изображениях
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: Другой
- Временные перспективы: Ретроспектива
Когорты и вмешательства
Группа / когорта |
|---|
|
Учебная группа
70% участников были случайным образом разделены на обучающие группы для тренировки обучаемости машины.
|
|
Группа проверки
15% участников были случайным образом разделены на проверочные группы, чтобы повысить эффективность обучения машины и избежать перенастройки.
|
|
Тестовая группа
15% участников были случайным образом разделены на тестовые группы, чтобы проверить эффективность обучения машины и сделать выводы исследования.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Сравнить точность многозадачной модели глубокого обучения и клиницистов при оценке дегенерации фасеточных суставов позвоночника.
Временное ограничение: 2022.12.01-2023.07.31
|
Он в основном используется для указания количества правильно предсказанных образцов в общем количестве образцов. Истинный положительный (TP), Ложноотрицательный (FN), Ложноположительный (FP), Истинный отрицательный (TN). Точность = (TP + TN) / (ТП + ФН + ФП + ТН)
|
2022.12.01-2023.07.31
|
|
Сравнить точность многозадачной модели глубокого обучения и клиницистов при оценке дегенерации фасеточных суставов позвоночника.
Временное ограничение: 2022.12.01-2023.07.31
|
Истинный положительный результат (TP), ложный отрицательный результат (FN), ложный положительный результат (FP), истинный отрицательный результат (TN). Точность = TP / (TP + FP)
|
2022.12.01-2023.07.31
|
|
Сравнить чувствительность многозадачной модели глубокого обучения и клиницистов при оценке дегенерации фасеточных суставов позвоночника.
Временное ограничение: 2022.12.01-2023.07.31
|
Истинный положительный результат (TP), ложный отрицательный результат (FN), ложный положительный результат (FP), истинный отрицательный результат (TN). Чувствительность = TP / (TP + FN)
|
2022.12.01-2023.07.31
|
|
Сравнить специфичность многозадачной модели глубокого обучения и клиницистов при оценке дегенерации фасеточных суставов позвоночника.
Временное ограничение: 2022.12.01-2023.07.31
|
Истинный положительный результат (TP), ложный отрицательный результат (FN), ложный положительный результат (FP), истинный отрицательный результат (TN). Специфика = TN / (TN + FP)
|
2022.12.01-2023.07.31
|
|
Рассчитайте балл F1 для оценки тяжести дегенерации фасеточных суставов в многозадачной модели глубокого обучения.
Временное ограничение: 2022.12.01-2023.07.31
|
Оценка F1 является важным показателем оценки для автоматической классификации, F1 = 2 * точность * чувствительность / (точность + чувствительность) = 2TP / (2TP + FP + FN)
|
2022.12.01-2023.07.31
|
|
ROC (характеристика работы приемника) называется кривой характеристик работы приемника, которая является индексом для оценки производительности модели глубокого обучения.
Временное ограничение: 2022.12.01-2023.07.31
|
ROC (характеристика работы приемника) называется кривой рабочей характеристики приемника.
Чем ближе кривая к верхнему левому углу, тем лучше классификатор.
Площадь под кривой ROC называется AUC.
Чем больше AUC, тем лучше будет классификационный эффект классификатора.
|
2022.12.01-2023.07.31
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
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 (Действительный)
31 декабря 2022 г.
Первичное завершение (Оцененный)
31 декабря 2026 г.
Завершение исследования (Оцененный)
31 декабря 2026 г.
Даты регистрации исследования
Первый отправленный
23 ноября 2022 г.
Впервые представлено, что соответствует критериям контроля качества
1 декабря 2022 г.
Первый опубликованный (Действительный)
2 декабря 2022 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
13 августа 2025 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
8 августа 2025 г.
Последняя проверка
1 августа 2025 г.
Дополнительная информация
Термины, связанные с этим исследованием
Другие идентификационные номера исследования
- ZDWY.JZWK.004
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
НЕТ
Описание плана IPD
При необходимости может быть предоставлен
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
продукт, произведенный в США и экспортированный из США.
Нет
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. .