Screening och identifiering av lever- och gallsjukdomar via djupinlärning med hjälp av ögonbilder
16 augusti 2020 uppdaterad av: Haotian Lin, Sun Yat-sen University
Artificiell intelligens kan ge insikt i att utforska den potentiella hemliga associationen bakom och avslöja några tidiga förändringar i okulär arkitektur hos individer med lever- och gallvägssjukdomar.
Vi genomförde ett pionjärarbete för att utforska sambandet mellan ögat och levern via djupinlärning, för att utveckla och utvärdera olika modeller för djupinlärning för att förutsäga lever- och gallsjukdomen genom att använda okulära bilder.
Studieöversikt
Status
Avslutad
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
1789
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- VUXEN
- OLDER_ADULT
- BARN
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Sannolikhetsprov
Studera befolkning
Slitlampa och ögonbottenbilder från avdelningen för infektionssjukdomar, Third Affiliated Hospital of Sun Yat-sen University, Department of Infectious Diseases, Third Affiliated Hospital of Sun Yat-sen University, Affiliated Huadu Hospital of Southern Medical University, Nantian Medical Center av Aikang Health Care och Huanshidong Medical Center of Aikang Health Care.
Beskrivning
Inklusionskriterier:
- Kvaliteten på ögonbotten och spaltlampabilder bör vara kliniskt acceptabel.
- Mer än 90 % av ögonbottenbildytan inklusive fyra huvudregioner (optisk disk, makula, övre och nedre näthinnans kärlbågar) är lätta att läsa och urskilja.
- Mer än 90 % av spaltlampans bildyta inklusive tre huvudområden (sklera, pupill och lins) är lätta att läsa och urskilja.
Exklusions kriterier:
- Bilder med ljusläckage (>10 % av ytan), fläckar från linser eller fläckar och överexponering uteslöts från ytterligare analys.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
utvecklingsdatauppsättning 01
Bilder med slitslampor och ögonbotten samlade in från avdelningen för lever- och gallkirurgi vid det tredje anslutna sjukhuset vid Sun Yat-sen University.
|
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av de andra två datauppsättningarna.
|
|
utvecklingsdataset 02
Slit-lampa och näthinnan fundus bilder insamlade från affiliated Huadu Hospital of Southern Medical University.
|
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av de andra två datauppsättningarna.
|
|
utvecklingsdatauppsättning 03
Bilder med slitslampa och ögonbotten från Nantian Medical Center of Aikang Health Care.
|
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av de andra två datauppsättningarna.
|
|
testdatauppsättning 01
Bilder med slitslampor och ögonbotten samlade in från avdelningen för infektionssjukdomar, Third Affiliated Hospital vid Sun Yat-sen University.
|
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av de andra två datauppsättningarna.
|
|
testdatauppsättning 02
Bilder med slitslampor och ögonbotten från Huanshidong Medical Center of Aikang Health Care.
|
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av de andra två datauppsättningarna.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
område under mottagarens funktionskurva för djupinlärningssystemet
Tidsram: baslinje
|
Utredarna kommer att beräkna arean under mottagarens funktionskurva för djupinlärningssystem och jämföra detta index mellan djupinlärningssystemet och mänskliga läkare
|
baslinje
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
känslighet och specificitet hos djupinlärningssystemet
Tidsram: baslinje
|
Utredarna kommer att beräkna känsligheten och specificiteten hos system för djupinlärning och jämföra detta index mellan system för djupinlärning och mänskliga läkare
|
baslinje
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (FAKTISK)
1 december 2018
Primärt slutförande (FAKTISK)
31 januari 2020
Avslutad studie (FAKTISK)
31 januari 2020
Studieregistreringsdatum
Först inskickad
25 december 2019
Först inskickad som uppfyllde QC-kriterierna
25 december 2019
Första postat (FAKTISK)
30 december 2019
Uppdateringar av studier
Senaste uppdatering publicerad (FAKTISK)
18 augusti 2020
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
16 augusti 2020
Senast verifierad
1 augusti 2020
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- AEHD-2019
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .