Pilotstudie om djupinlärning i ögat (IDLE)
5 januari 2021 uppdaterad av: Pieter Nelis, CRG UZ Brussel
Validering av en Transfer Learning Deep Learning-algoritm för bildklassificering i flera patologier
Med djupinlärning kan du klassificera bilder med hjälp av en självlärande algoritm.
Transfer learning bygger på en befintlig självlärande algoritm för att möjliggöra bildklassificering med färre bilder.
I denna studie kommer denna teknik att tillämpas på olika bildmodaliteter i olika syndrom.
Retrospektiv studiedesign.
Studieöversikt
Status
Okänd
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Förväntat)
120
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
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
18 år till 100 år (Vuxen, Äldre vuxen)
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Friska och icke-friska ämnen: extrahera data från tillgängliga bilder
Beskrivning
Inklusionskriterier:
- Tillgänglighet av bilder, som tillåter diskriminering.
Exklusions kriterier:
- Ingen tillgång till tydliga data om sjukdomsdifferentiering
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 |
|---|---|
|
Ingen patologi
|
|
|
Patologi
|
Bildklassificering med algoritm för djupinlärning
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Validering av bildklassificering genom överföringsinlärningsalgoritm
Tidsram: 1 år
|
1 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
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 (Förväntat)
1 februari 2021
Primärt slutförande (Förväntat)
1 december 2021
Avslutad studie (Förväntat)
1 december 2022
Studieregistreringsdatum
Först inskickad
7 december 2020
Först inskickad som uppfyllde QC-kriterierna
7 december 2020
Första postat (Faktisk)
11 december 2020
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
7 januari 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
5 januari 2021
Senast verifierad
1 januari 2021
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- IDLE1000
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
produkt tillverkad i och exporterad från U.S.A.
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 .