- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04718532
En ny teknik för behandling av näthinnesjukdomar
18 januari 2021 uppdaterad av: Second Affiliated Hospital, School of Medicine, Zhejiang University
Forskning om intelligent diagnostik och automatisk lesionsspårning för exakt behandling av näthinnesjukdomar baserad på djupinlärning
Med tillkomsten av eran av precisionsmedicin, baserad på FFA bild djupinlärning för att identifiera området för ögonbotten lesioner, registrering av ögonbotten bilder, enligt svårighetsgraden av ögonbotten sjukdomar för att utforma den optimala laserenergin och vägen, korrekt behandling av ögonbotten sjukdomar har akuta kliniska behov och mycket viktig betydelse
Studieöversikt
Status
Rekrytering
Betingelser
Detaljerad beskrivning
- Strukturerad DR-bilddatabaskonstruktion och korrekt anteckning: retrospektiv (från 1 januari 2016 till dagen för etisk granskning) och prospektiv (från dagen för etisk granskning till den 31 december 2023) insamlad FFA och annan multimodal bilddata. Flera ögonläkare och seniora experter på ögonbottensjukdomar gjorde en diagnostisk utvärdering av varje bild av varje patient och slutförde den korrekta graderingsdiagnosen av data. Slutligen upprättades en strukturerad Dr-databas steg för steg. Den här artikeln använder teorin om datorseende för att kvantifiera kvalitetsförvrängningen av FFA-bild, vägleder datorn att konfigurera befintliga bildförbättrings- och brusreduceringsalgoritmer adaptivt, och slutför förbearbetningen av ögonbottenbilddata.
- Konstruktion av Dr intelligent graderingsdiagnossystem baserat på ögonbottenbild: för det första används ögonbottenbilden som träningsdatabasen för ögonbottendata, och enligt den internationella kliniska Dr-graderingsdiagnosstandarden markerar många läkare ögonbottenbilden korrekt. Internationella kliniska Dr graderingskriterier: grad 0, inga uppenbara retinala abnormiteter; grad 1, endast mikroangiom; grad 2, svårare än mikroangiom, men mindre allvarligt än allvarligt; grad 3, fyra kvadranter, varje kvadrant har mer än 20 retinala blödningar, fler än två kvadranter har bestämda venösa pärlor, mer än en kvadrant har tydlig Irma, inga tecken på proliferativ retinopati; grad 4, neovaskularisering, glaskroppsblödning Volym blod, pre retinal blödning. Baserat på Dr-grading intelligent diagnosstandard konstrueras det neurala nätverket för konvolution för att träna och gradera ögonbottenbilder. Efter att ha upprepat denna process många gånger för varje bild i träningsuppsättningen av ögonbottenbilder, lär sig djupinlärningssystemet hur man klassificerar all data i träningsuppsättningen för att korrekt diagnostisera ögonbottenbilderna.
- Konstruktion av neurala nätverkskonstruktioner för FFA-bildfokus: det neurala nätverket för konvolution av djupinlärning är sammansatt av miljontals parametrar, som används för att träna och utföra givna uppgifter. Utsignalen som genereras av varje linjär faltningsoperation regleras av en icke-linjär aktiveringsfunktion, kombinerat med dimensionsreduktionen av poolskiktet och det fullständiga anslutningsskiktet, så att optimeringsprocessen för djupa neurala nätverk inte bara övervinner gradientspridningen, utan också hjälper till att generera funktioner liknar den hierarkiska uppfattningsmekanismen hos mänskliga neurala celler till visuella signaler. FFA-bilden används som träningsdatabasen för ögonbottendata. Baserat på noggrann märkning av lesionsområdet (ingen perfusionsområde, mikroangiomområde och läckageområde), måste FFA-bilden behandlas för intelligent igenkänning av lesionsområdet. I träningsprocessen sätts parametrarna för det neurala nätverket initialt till slumpmässiga värden. Sedan, för varje bild, jämförs resultaten som ges av funktionen med de kända resultaten av träningsuppsättningen för att optimera parametrarna för funktionen. Efter att ha upprepat denna process många gånger för varje bild i träningsdatauppsättningen, lärde sig djupinlärningssystemet hur man klassificerar all data i träningsuppsättningen för att exakt förutsäga Dr-lesioner på FFA-bilder.
- Konstruktion av intelligent ögonbottenlasernavigeringsmodell baserad på FFA-bild och ögonbottenbildregistrering: Dr lesion intelligent igenkänningssystem på ovanstående FFA-bild identifierar exakt de områden som behöver ögonbottenlaserbehandling, hjälper läkare att fastställa de lesioner som behöver behandlas och baserar på bildmatchning av maskininlärning, tillhandahåller registreringsbilden av ögonbottenbild och FFA-kombination, som ställs in i enlighet med lokaliseringen och storleksinformationen för lesionsområdet Enligt den matchande näthinnediametern och arrangemanget av olika laserfläckar, den personliga lasern behandlingsschemat formuleras och den intelligenta vägledningsmodellen för ögonbottenlaserbehandling konstrueras.
Studietyp
Observationell
Inskrivning (Förväntat)
2000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Jin Kai, MD
- Telefonnummer: 13646828461
- E-post: jinkai@zju.edu.cn
Studieorter
-
-
Zhejiang
-
Hanzhou, Zhejiang, Kina
- Rekrytering
- The Second Affiliated Hospital of Zhejiang University
-
Kontakt:
- Jin Kai, MD
- Telefonnummer: 13646828461
-
-
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
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Sannolikhetsprov
Studera befolkning
patienter genomgår näthinneundersökning på ögoncentret på det andra anslutna sjukhuset vid Zhejiang University
Beskrivning
Inklusionskriterier:
- patienter med näthinnesjukdomar
Exklusions kriterier:
- patienter med annan sjukdom påverkar retinal undersökning
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 |
---|
patienter
patienter med näthinnesjukdomar
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
artificiell intelligens
Tidsram: 2016.01-2023.12
|
använda data för att utveckla modeller för djupinlärning
|
2016.01-2023.12
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: Jin Kai, MD, Zhejiang University
- Huvudutredare: Xu Yufeng, MD, Zhejiang University
- Huvudutredare: Lou Lixia, MD, Zhejiang University
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 januari 2016
Primärt slutförande (Förväntat)
1 januari 2023
Avslutad studie (Förväntat)
31 december 2023
Studieregistreringsdatum
Först inskickad
18 januari 2021
Först inskickad som uppfyllde QC-kriterierna
18 januari 2021
Första postat (Faktisk)
22 januari 2021
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
22 januari 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
18 januari 2021
Senast verifierad
1 januari 2021
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 研2019-428
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 .