- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06321614
Djup inlärning i klassificering av tarmobstruktionsröntgen
Självövervakad inlärning för att klassificera tarmobstruktion på upprätt bukröntgen
Bakgrund: Noggrann märkning av obstruktionsställe på upprätt bukröntgen är en utmanande uppgift. Bristen på grundsanning leder till dåliga prestationer på övervakade inlärningsmodeller. För att lösa detta problem föreslås självövervakad inlärning (SSL) för att klassificera normala, tunntarmsobstruktion (SBO) och tjocktarmsobstruktion (LBO) röntgenbilder med ett fåtal bekräftade prover.
Metoder: Ett fåtal bekräftade och ett stort antal omärkta röntgenbilder kategoriserades utifrån grundsanningen. SSL-modellen tränades först på de omärkta röntgenbilderna och finjusterades sedan på de bekräftade röntgenbilderna. ResNet50 och VGG16 användes för de inbäddade baskodarna, vars vikter och parametrar justerades under träningsprocessen. Dessutom testades det på en oberoende datauppsättning, jämfört med övervakade inlärningsmodeller och mänskliga tolkar. Slutligen användes t-SNE och Grad-CAM för att visualisera modellens tolkning.
Studieöversikt
Status
Betingelser
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studieorter
-
-
Jiangsu
-
Suzhou, Jiangsu, Kina, 215006
- TheFirst Affiliated Hospital of Soochow University
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Sjukhusavbildningssystemet letade efter vanliga stående filmer i buken som diagnostiserades som tarmobstruktion eller normal mellan 2022 och 2024
- I åldern 18 till 80 år
- Det huvudsakliga klagomålet var gastrointestinala symtom
Exklusions kriterier:
- Bildstörningar, suddig prestanda, svår att urskilja
- Icke-gastrointestinala symtom var det huvudsakliga klagomålet
- Ryggläge, liggande eller lateral decubitusröntgen
- Paralytisk obstruktion, sluten slinga obstruktion, et al
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
|---|
|
patienter med normala röntgenbilder av buken
patienter med normala abdominala röntgenbilder, vilket bekräftades av extra bildundersökningar och kliniska data.
Bildundersökningarna omfattade CT, magnetisk resonanstomografi (MRT) och koloskopi under de efterföljande 72 timmarna, medan kliniska data inkluderade färsk information om sjukhusinläggning och operationsanteckningar.
|
|
patienter med röntgenbilder av tunntarmsobstruktion
patienter med tunntarmsobstruktionsröntgen, vilket bekräftades av extra bildundersökningar och kliniska data.
Bildundersökningarna omfattade CT, magnetisk resonanstomografi (MRT) och koloskopi under de efterföljande 72 timmarna, medan kliniska data inkluderade färsk information om sjukhusinläggning och operationsanteckningar.
När det gäller plats involverar tunntarmsobstruktion (SBO) tolvfingertarmen, jejunum och ileum
|
|
patienter med tjocktarmsobstruktion röntgenbilder
patienter med tjocktarmsobstruktionsröntgen, vilket bekräftades av extra bildundersökningar och kliniska data.
Bildundersökningarna omfattade CT, magnetisk resonanstomografi (MRT) och koloskopi under de efterföljande 72 timmarna, medan kliniska data inkluderade färsk information om sjukhusinläggning och operationsanteckningar.
När det gäller plats involverar tjocktarmsobstruktion (SBO) blindtarmen, tjocktarmen och ändtarmen.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Diagnostisk och klassificeringsprestanda
Tidsram: 1 vecka
|
Noggrannhet, återkallelse, precision, F1-poäng och förvirringsmatris
|
1 vecka
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Visualiserad tolkning av den självkontrollerade modellen
Tidsram: 1 vecka
|
Grad-CAM och t-SNE för att visualisera tolkningen av SSL-modellen
|
1 vecka
|
Samarbetspartners och utredare
Utredare
- Studierektor: Rui Li, MD, The First Affiliated Hospital of Soochow University
Publikationer och användbara länkar
Allmänna publikationer
- Markogiannakis H, Messaris E, Dardamanis D, Pararas N, Tzertzemelis D, Giannopoulos P, Larentzakis A, Lagoudianakis E, Manouras A, Bramis I. Acute mechanical bowel obstruction: clinical presentation, etiology, management and outcome. World J Gastroenterol. 2007 Jan 21;13(3):432-7. doi: 10.3748/wjg.v13.i3.432.
- Cheng PM, Tran KN, Whang G, Tejura TK. Refining Convolutional Neural Network Detection of Small-Bowel Obstruction in Conventional Radiography. AJR Am J Roentgenol. 2019 Feb;212(2):342-350. doi: 10.2214/AJR.18.20362. Epub 2018 Nov 26.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Frager D. Intestinal obstruction role of CT. Gastroenterol Clin North Am. 2002 Sep;31(3):777-99. doi: 10.1016/s0889-8553(02)00026-2.
- Cappell MS, Batke M. Mechanical obstruction of the small bowel and colon. Med Clin North Am. 2008 May;92(3):575-97, viii. doi: 10.1016/j.mcna.2008.01.003.
- ten Broek RP, Strik C, Issa Y, Bleichrodt RP, van Goor H. Adhesiolysis-related morbidity in abdominal surgery. Ann Surg. 2013 Jul;258(1):98-106. doi: 10.1097/SLA.0b013e31826f4969.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Chen Y, Mancini M, Zhu X, Akata Z. Semi-Supervised and Unsupervised Deep Visual Learning: A Survey. IEEE Trans Pattern Anal Mach Intell. 2024 Mar;46(3):1327-1347. doi: 10.1109/TPAMI.2022.3201576. Epub 2024 Feb 6.
- Li G, Togo R, Ogawa T, Haseyama M. Self-supervised learning for gastritis detection with gastric X-ray images. Int J Comput Assist Radiol Surg. 2023 Oct;18(10):1841-1848. doi: 10.1007/s11548-023-02891-5. Epub 2023 Apr 11.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2022098
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .