Djupinlärningsassisterad ultraljudsdiagnostik och lokalisation av torsio testis appendix
Djupinlärningsassisterad ultraljudsdiagnostik och lokalisering av testikelappendixtorsion: En multicenter retrospektiv valideringsstudie
Ultrasounddata samlades in retrospektivt från det primära centret och sex andra undercentra. Kombinerat med kliniska diagnostiska resultat genomfördes datamärkningen av läkare med omfattande klinisk erfarenhet.
I denna studie användes YOLOv11 som detektionsnätverk, vilket integrerades med den konvolutionella uppmärksamhetsmekanismen (Spatial Convolutional Block Attention Module, nämligen Spatial CBAM) och självuppmärksamhetsmekanismen (t.ex. Attention Convolution Mixer, ACMix). Datamängden från det primära centret delades upp i tränings-, validerings- och testdelar, på vilka modellen tränades, validerades respektive testades; ytterligare validering genomfördes på datamängden från undercentret. Samtidigt tilldelades fyra läkare för att tolka ultraljudsdata från undercentra med hjälp av två diagnostiska metoder - oberoende diagnos och artificiell intelligens (AI)-assisterad diagnos - och diagnostisk noggrannhet för dessa två tillvägagångssätt jämfördes ytterligare. Genom att samla in och lära sig behandlingsmetoderna för patienter i det primära centrets träningsuppsättning, förutsäga behandlingsmetoderna för patienter i undercentrets datamängd och jämföra andelen operationer som förutspåddes av AI med den faktiska andelen operationer, verifierades modellens effektivitet.
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
Ultrasoundata samlades retrospektivt från huvudcentret och sex andra undercentra. Kombinerat med kliniska diagnostiska utfall genomfördes datamärkningen av läkare med omfattande klinisk erfarenhet.
I denna studie användes YOLOv11 som detektionsnätverk, vilket integrerades med den konvolutionella uppmärksamhetsmekanismen (Spatial Convolutional Block Attention Module, nämligen Spatial CBAM) och självuppmärksamhetsmekanismen (t.ex. Attention Convolution Mixer, ACMix). Datasetet från huvudcentret delades upp i tränings-, validerings- och testdelar, på vilka modellen tränades, validerades respektive testades; ytterligare validering utfördes på datasetet från undercentret. Samtidigt tilldelades fyra läkare för att tolka ultrasoundatan från undercentren med två diagnostiska metoder – oberoende diagnos och artificiell intelligens (AI)-assisterad diagnos – och diagnostisk noggrannhet för dessa två tillvägagångssätt jämfördes vidare. Genom att samla in och lära sig behandlingsmetoderna för patienter i huvudcentrets träningsset, förutsäga behandlingsmetoderna för patienter i undercentrets dataset och jämföra andelen operationer som förutspåddes av AI med den faktiska andelen operationer, verifierades modellens effektivitet.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-post: Jiang_ying@zju.edu.cn
Studera Kontakt Backup
- Namn: Juntao Jiang, Master Degree
- Telefonnummer: 86-13968107281
- E-post: juntaojiang@zju.edu.cn
Studieorter
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310000
- Children's Hospital of Zhejiang University School of Medicine
-
Kontakt:
- Ying Jiang, Master Degree
- Telefonnummer: 86-19883203100
- E-post: Jiang_ying@zju.edu.cn
-
Kontakt:
- Jingjing Ye, PHD Degree
- Telefonnummer: 86-13868174280
-
Huvudutredare:
- Ying Jiang, Master Degree
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Ålder ≤ 18 år
- Har genomgått ultraljudsundersökning på grund av akut scrotalsmärta (≤ 24 timmar)
- Patienter kliniskt diagnostiserade med testikelbihangstorsion (TAT)
Exklusionskriterier:
- Dålig ultraljudsbildkvalitet (misslyckande att identifiera testikelstrukturer)
- Ofullständig klinisk data (misslyckande att bekräfta diagnosen av testikelbihangstorsion [TAT])
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
|---|
|
Testikelappendix Torsionsgrupp
Patienter diagnosticerade med testikelbihangstorsion
|
|
Testikulär torsionsgrupp
Patienter diagnosticerade med testikulär torsion
|
|
Epididymitgrupp
Patienter diagnostiserade med epididymit
|
|
Normalgrupp
Patienter utan testikelappendix torsion, testikel torsion, epididymit, och scrotum är normalt
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannheten hos deep-learning-modellen verifierar fyra tillstånd: torsio testikulära appendage; testikulär torsion; epididymit och normaltillstånd
Tidsram: Från bildinmatning till resultatgenerering förväntas vara 24 timmar
|
noggrannheten hos djupinlärningsmodellen verifierar fyra tillstånd: testikelbihangsvridning; testikelvridning; epididymit och normaltillstånd
|
Från bildinmatning till resultatgenerering förväntas vara 24 timmar
|
Sekundära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Antal deltagare med akut skrotalsmärta
Tidsram: Från inskrivningsstart till slutet förväntas vara 5 månader
|
Från inskrivningsstart till slutet förväntas vara 5 månader
|
|
Klinikers träffsäkerhet vid diagnostisering och lokalisering av torsio testis appendix
Tidsram: Från början av kliniker diagnostiserar och lokalisera till slutet förväntas vara 15 dagar
|
Från början av kliniker diagnostiserar och lokalisera till slutet förväntas vara 15 dagar
|
|
Deep learning-modellens noggrannhet i att förutsäga behandlingsmetoden för testikelbihangstorsion, konservativ behandling eller kirurgi
Tidsram: Från början av förutsägelsen av behandling för testikelbihangstorsion med Deep learning-modell till slutet förväntas vara 24 timmar
|
Från början av förutsägelsen av behandling för testikelbihangstorsion med Deep learning-modell till slutet förväntas vara 24 timmar
|
Samarbetspartners och utredare
Sponsor
Utredare
- Studierektor: Jingjing Ye, Phd Degree, Zhejiang University School of Medicine Children's Hospital
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Beräknad)
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
- CHZhejiangjiangying
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Tidsram för IPD-delning
Kriterier för IPD Sharing Access
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
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 .