Искусственный интеллект на основе CNN против врачей в диагностике одиночных кожных поражений
Сравнение модели искусственного интеллекта на основе CNN с дерматологами и врачами-недерматологами в диагностике одиночных кожных поражений
Целью данного наблюдательного исследования является оценка диагностической точности модели искусственного интеллекта на основе сверточной нейронной сети у пациентов с одиночными кожными поражениями. Основные вопросы, на которые оно направлено ответить:
- Какова диагностическая эффективность (чувствительность и специфичность) модели на основе сверточной нейронной сети в выявлении одиночных кожных поражений с использованием макроскопических клинических изображений?
- Как диагностическая точность модели на основе сверточной нейронной сети сравнивается с оценками, выполненными дерматологами и врачами-недерматологами?
Исследователи сравнят диагностические результаты модели ИИ с независимыми оценками дерматологов и врачей-недерматологов, чтобы определить, может ли модель ИИ достичь диагностической эффективности, сопоставимой или превосходящей таковую у врачей-клиницистов.
Участники (врачи в качестве клинических читателей) будут:
- Независимо анализировать предопределенный набор анонимизированных макроскопических клинических изображений, полученных из ретроспективного архива пациентов.
- Предоставлять первичный диагноз для каждого поражения исключительно на основе изображений, без доступа к истории болезни пациента или гистопатологическим результатам.
- Представлять свои оценки для сравнения с золотым стандартом (гистопатологический диагноз) и результатами модели ИИ.
Обзор исследования
Статус
Подробное описание
Данное исследование представляет собой ретроспективное обсервационное исследование диагностической точности, разработанное для оценки производительности искусственной интеллектуальной модели на основе сверточной нейронной сети (CNN) в оценке солитарных кожных поражений с использованием макроскопических клинических изображений.
Макроскопические клинические изображения солитарных кожных поражений с гистопатологически или клинически подтвержденными диагнозами будут ретроспективно извлечены из дерматологического архива изображений Стамбульской учебно-исследовательской больницы. Все изображения и связанные клинические документы будут анонимизированы перед анализом, а любая идентифицирующая визуальная или текстовая информация будет удалена. Обработка и анализ данных будут проводиться в защищенной среде на базе учреждения с ограниченным доступом, предоставленным только исследовательской группе.
Искусственная интеллектуальная модель на основе CNN будет разработана с использованием методов обучения с учителем. Этапы предварительной обработки изображений будут включать изменение размера до стандартных входных размеров, нормализацию цвета и удаление областей, содержащих потенциально идентифицируемую информацию. Набор данных будет разделен на обучающую, валидационную и тестовую подгруппы для обеспечения разработки модели, оптимизации гиперпараметров и независимой оценки производительности. Обучение и оценка модели будут реализованы с использованием фреймворка глубокого обучения PyTorch.
Диагностическая производительность модели на основе CNN будет оцениваться с использованием стандартных классификационных метрик и будет сравниваться с независимыми оценками дерматологов, ординаторов-дерматологов и врачей недерматологов, которые оценивают тот же набор анонимизированных изображений без доступа к дополнительной клинической или гистопатологической информации. Будут проведены сравнительные анализы для оценки различий в диагностической производительности и согласованности между искусственной интеллектуальной моделью и группами врачей.
Тип исследования
Регистрация (Оцененный)
Контакты и местонахождение
Места учебы
-
-
Fatih
-
Istanbul, Fatih, Турция (Туркие), 34098
- S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Пациенты, предоставившие информированное согласие на использование их клинических изображений в научных исследованиях.
- Клинические изображения с разрешением более 224x224 пикселей, обеспечивающие совместимость с архитектурой искусственного интеллекта.
- Ретроспективные записи одиночных кожных поражений с подтверждёнными диагнозами.
Критерии исключения:
- Пациенты, не давшие согласия на использование их клинических фотографий в исследовательских целях.
- Изображения, содержащие потенциально идентифицируемую личную информацию или визуальные особенности, нарушающие анонимность пациента.
- Изображения с разрешением ниже 224x224 пикселей или плохим диагностическим качеством (например, размытость, значительные помехи).
- Дублирующиеся изображения или записи одного и того же поражения.
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
|---|
|
Когорта разработки и валидации
Это ретроспективное однорукое исследование, состоящее из 17 625 архивных клинических записей с подтверждёнными гистопатологическими диагнозами.
Когорта послужит основным набором данных для разработки модели искусственного интеллекта.
Конкретное подмножество тестового набора данных будет независимо оценено группой дерматологов и врачей-недерматологов посредством задания с множественным выбором диагноза.
Производительность модели искусственного интеллекта будет сравниваться как с золотым стандартом гистопатологических результатов, так и с диагностической точностью наблюдателей-людей.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Диагностическая точность модели искусственного интеллекта на основе сверточной нейронной сети
Временное ограничение: Базовый уровень (Ретроспективный анализ данных будет завершен в течение 4 месяцев)
|
Диагностическая точность искусственной интеллектуальной модели на основе сверточной нейронной сети (CNN) в диагностике одиночных кожных поражений будет оцениваться с использованием точности и площади под кривой рабочих характеристик приемника (ROC-AUC) на основе макроскопических клинических изображений.
|
Базовый уровень (Ретроспективный анализ данных будет завершен в течение 4 месяцев)
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Разница в диагностической эффективности между моделью на основе CNN и дерматологами
Временное ограничение: Базовый уровень (ожидаемое завершение в течение 5 месяцев)
|
Разница в диагностической эффективности между моделью искусственного интеллекта на основе CNN и дерматологами будет оценена на основе метрик точности с использованием одного и того же набора макроскопических клинических изображений.
|
Базовый уровень (ожидаемое завершение в течение 5 месяцев)
|
|
Разница в диагностической эффективности между моделью на основе CNN и врачами-недерматологами
Временное ограничение: Исходный уровень (ожидаемое завершение в течение 5 месяцев)
|
Разница в диагностической эффективности между моделью искусственного интеллекта на основе CNN и врачами-недерматологами будет оцениваться на основе метрик точности с использованием одного и того же набора изображений.
|
Исходный уровень (ожидаемое завершение в течение 5 месяцев)
|
|
Чувствительность, специфичность модели на основе CNN и групп врачей
Временное ограничение: Базовый уровень (Ожидаемое завершение в течение 5 месяцев)
|
Чувствительность и специфичность искусственной интеллектуальной модели на основе CNN и групп врачей будут рассчитаны и сравнены при оценке одиночных кожных поражений.
|
Базовый уровень (Ожидаемое завершение в течение 5 месяцев)
|
|
F1-мера модели на основе CNN и групп врачей
Временное ограничение: Базовый уровень (Ожидаемое завершение в течение 5 месяцев)
|
Значения F1-оценки модели искусственного интеллекта на основе CNN и групп врачей будут рассчитаны и сравнены при оценке одиночных кожных поражений.
|
Базовый уровень (Ожидаемое завершение в течение 5 месяцев)
|
Соавторы и исследователи
Следователи
- Учебный стул: Ayşe Esra Koku Aksu, MD, Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi
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
- SBU-IEAH-KAEK-20260109-19
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана 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. .