Реалистичность создания изображений клеток HEp-2 с использованием моделей скрытой диффузии: многоцентровый визуальный тест Тьюринга
Оценка реалистичности изображений клеток ANA HEp-2, синтезированных с использованием моделей латентной диффузии: многоцентровый визуальный тест Тьюринга
Целью этого проспективного обсервационного исследования является тщательное изучение возможности и эффективности использования моделей скрытой диффузии для увеличения данных в изображениях иммунофлуоресценции клеток Hep-2 против ядерных антител (ANA). Главный вопрос, на который он призван ответить:
Может ли применение таких моделей потенциально улучшить качество данных, увеличить разнообразие выборок или повысить точность и эффективность последующих аналитических процессов (таких как диагностика и классификация заболеваний) при использовании с изображениями, связанными с ANA?
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Фундаментальной проблемой биомедицинских исследований является небольшое количество доступных наблюдений, главным образом из-за нехватки доступных биообразцов, непомерно высокой стоимости или этических причин. Дополнение немногих реальных наблюдений образцами, полученными in silico, может привести к более надежным результатам анализа и более высокой степени воспроизводимости. Здесь исследователи предлагают использовать обучение без учителя с моделями скрытой диффузии для реалистичной генерации данных изображения ANA-IIF.
Исследователи предполагают, что генерация изображений ANA-IIF будет реалистичной, если их (поддельные) будет сложно отличить от настоящих (истинных). Чтобы проверить эту гипотезу, исследователи представляют Многоцентровый визуальный тест Тьюринга (https://turing.rednoble.net/), позволяющий оценить качество сгенерированных (поддельных) изображений.
Эта экспериментальная установка позволяет исследователям проверить общее качество сгенерированных изображений ANA-IIF, которые затем можно использовать для (1) обучения цитопатологов в образовательных целях и (2) создания реалистичных образцов для обучения глубоких сетей с большими данными.
Тип исследования
Регистрация (Оцененный)
Контакты и местонахождение
Места учебы
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Китай, 200092
- Department of Clinical Laboratory, Xinhua Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Происхождение из авторитетных медицинских учреждений.
- Наличие соответствующих сертификатов и квалификации
- Имея более одного года опыта интерпретации моделей антиядерных антител (ANA) в лабораторных условиях.
Критерий исключения:
- Отсутствие соответствующих профессиональных сертификатов и квалификации.
- Без опыта интерпретации паттернов ANA.
- Нежелание принимать правила и информированное согласие на визуальный тест Тьюринга
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
эксперты
с более чем 20-летним опытом чтения ANA-IIF
|
определение типа шаблона ANA с учетом или без обращения к результатам вывода модели ИИ.
|
|
младшие цитопатологи
стаж работы в медицинской сфере менее 5 лет
|
определение типа шаблона ANA с учетом или без обращения к результатам вывода модели ИИ.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Реалистичность изображений, синтезированных диффузионными моделями
Временное ограничение: Базовый уровень
|
Исследователи провели исследование с использованием метода визуального теста Тьюринга, измерения с помощью анкеты и оценили результаты измерений с помощью 5-балльной шкалы Лайкерта. Пятибалльная шкала Лайкерта оценивает мнение участников о качестве изображений по пяти вариантам ответа: «Настоящее», «Очень похоже», «Неопределенно», «Не совсем похоже», «Фальшивка». Он подсчитывает баллы, присваивая этим параметрам числа (например, от 5 до 1), суммируя баллы каждого участника. Результаты оцениваются путем анализа распределения баллов, включая средние баллы, и оценки их надежности и достоверности. Кроме того, исследователь рассчитал ряд параметров, используемых для внутренней оценки модели, в том числе: точность, отзыв, показатель F1 и среднюю среднюю точность (mAP). |
Базовый уровень
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Влияние результатов модели ИИ на участников
Временное ограничение: Базовый уровень
|
Исследователь оценил изменение точности интерпретаций участников до и после использования модели ИИ. Исследователи проведут сравнительный анализ.
Кроме того, исследователь рассчитывает коэффициент согласия Каппа между человеческими интерпретациями и моделью и оценивает, существуют ли различия в точности среди цитопатологов с разным уровнем опыта при помощи ИИ.
|
Базовый уровень
|
|
Время, затраченное на интерпретацию паттернов ANA
Временное ограничение: Базовый уровень
|
Исследователь сравнивает время, необходимое участнику для завершения интерпретации до и после вмешательства модели ИИ, оценивая, наблюдается ли сокращение среднего времени интерпретации в каждом случае: с X минут до помощи ИИ до Y минут после ИИ.
|
Базовый уровень
|
Соавторы и исследователи
Следователи
- Директор по исследованиям: Guangyu Chen, PhD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Публикации и полезные ссылки
Общие публикации
- 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.
Полезные ссылки
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
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
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- XH-24-007
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
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. .