Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Deep Learning i retinoblastom upptäckt och övervakning.

24 mars 2022 uppdaterad av: Wenbin Wei, Beijing Tongren Hospital

Deep Learning Datorstödt detektionssystem för retinoblastomdetektering och övervakning.

Retinoblastom är den vanligaste ögoncancern i barndomen. Ögonbevarande terapier kräver rutinmässig övervakning av retinoblastomregression och återfall för att vägleda motsvarande behandling. I den aktuella studien utvecklar vi en djupinlärningsalgoritm som samtidigt kan identifiera retinoblastomtumörer på Retcam-bilder och skilja mellan aktiva och inaktiva retinoblastomtumörer. Denna algoritm kommer att valideras genom en prospektivt insamlad datauppsättning.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Retinoblastom, den vanligaste ögoncancern i barndomen, drabbar 1 av 15 000 till 1 av 18 000 levande födda. Kina har det näst största antalet patienter med retinoblastom i världen. Ögonbevarande terapier har använts i stor utsträckning i Kina i cirka 15 år. Ögonbevarande terapier kräver rutinmässig övervakning av retinoblastomregression och återfall för att vägleda motsvarande behandling. Men den största mängden kvalificerade ögonläkare är koncentrerade till flera vårdcentraler. Djup inlärning baserad på Retcam-undersökning som kan identifiera retinoblastom kommer att minska screeningnoggrannheten på de lokala sjukhusen och minska övervakningsordbelastningen. I den aktuella studien utvecklades en djupinlärningsalgoritm som samtidigt kan identifiera retinoblastomtumörer på Retcam-bilder och skilja på aktiva och inaktiva retinoblastomtumörer. Denna algoritm kommer att valideras genom en prospektivt insamlad datauppsättning.

Studietyp

Observationell

Inskrivning (Förväntat)

200

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studera Kontakt Backup

Studieorter

  • Kina
    • Beijing
      • Beijing, Beijing, Kina, 100730
        • Rekrytering
        • Wen-Bin Wei

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

1 sekund till 5 år (BARN)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Retinoblastompatienter genomgår standardmedicinsk behandling.

Beskrivning

Inklusionskriterier:

  • Retinoblastompatienter genomgår standardmedicinsk behandling.

Exklusions kriterier:

  • Operatörerna identifierade bilder som inte kunde bedömas för en korrekt diagnos, på grund av orsaker som oskärpa och oskärpa, och uteslöt dem från vidare 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
Retinoblastompatienter
Retinoblastompatienter som genomgår vanlig medicinsk vård på Beijing Tongren Hospital. Den anonyma bilden av dessa patienter kommer prospektivt att samlas in och märkas av seniora ögonläkare.
Diagnostiskt test: Djup inlärningsalgoritm
En djupinlärningsalgoritm som utvecklats tidigare skulle tillämpas för att identifiera retinoblastomtumörer på Retcam-bilder och skilja mellan aktiva och inaktiva retinoblastomtumörer. Två olika seniora ögonläkares beslut skulle vara guldstandarden.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnosnoggrannhet för algoritm för djupinlärning
Tidsram: 1 vecka
Den diagnostiska noggrannheten för denna algoritm för djupinlärning är andelen sann positiv och sann negativ i alla utvärderade fall
1 vecka

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Beijing Tongren Hospital

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 mars 2020

Primärt slutförande (FÖRVÄNTAT)

1 maj 2022

Avslutad studie (FÖRVÄNTAT)

1 oktober 2022

Studieregistreringsdatum

Först inskickad

24 mars 2022

Först inskickad som uppfyllde QC-kriterierna

24 mars 2022

Första postat (FAKTISK)

1 april 2022

Uppdateringar av studier

Senaste uppdatering publicerad (FAKTISK)

1 april 2022

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

24 mars 2022

Senast verifierad

1 mars 2022

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • AI in retinoblastoma

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 .

Prenumerera