基于 AI 技术的 OCT 图像自动化黄斑病变筛查研究
基于光学相干断层扫描图像的深度学习技术自动筛查黄斑病变的研究
研究人员希望开发一种算法，可以解释 OCT 图像，并通过使用基于 OCT 图像的深度学习技术自动确定黄斑是否正常。
研究人员希望开发软件应用程序，以帮助在资源有限的地区更好地筛查和诊断黄斑部疾病。
研究概览
地位
未知
条件
详细说明
研究人员将使用 ImageNet 应用深度学习卷积神经网络，通过带有高质量标记数据库的 OCT 水平 B 扫描自动检测多种视网膜疾病。
数据集，包括训练数据集、测试数据集和验证数据集，将由南京医科大学附属第一医院的眼科医生根据标准化注释指南构建。
研究类型
观察性的
注册 (预期的)
20000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
Jiangsu
-
Nanjing、Jiangsu、中国、210029
- The First Affiliated Hospital with Nanjing Medical University
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不适用
有资格学习的性别
全部
取样方法
非概率样本
研究人群
没有年龄限制，没有性别限制
描述
纳入标准：
- 所有患者在 5 年内就诊于南京医科大学附属第一医院眼科，并通过数字视网膜成像（包括 OCT、眼底数字照片和眼底荧光素血管造影，至少有 OCT 图像）得到已知、明确的诊断，作为治疗的一部分他们的常规临床护理，将有资格纳入本研究。
排除标准：
- 硬拷贝检查（即在其他医院进行的 OCT 成像的纸质报告照片）将不符合资格。
- 之前手动要求不共享其数据的患者的数据，即使以匿名形式用于研究目的，并已将此愿望告知南京医科大学附属第一医院眼科（即使在之前进行的研究或其他在本院进行的研究）将被排除在外，在研究开始前他们的数据不会上传到云平台。
- 来自用硅油或气体（即 C3F8）填塞的眼睛的数据将不合格。
- 图像质量差的数据，例如图像不完整、图像倒置、图像模糊或破裂以及信号非常微弱（即玻璃体出血）的图像，将不符合资格。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 观测模型：其他
- 时间观点：横截面
队列和干预
团体/队列 |
|---|
|
普通的
水平 OCT B 扫描的正常黄斑结构
|
|
异常
水平OCT B超黄斑部结构异常，包括视网膜前膜、色素上皮脱离等多种病理特征亚类。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
算法的受试者工作特征（ROC）曲线
大体时间：大约1年
|
也称为灵敏度曲线。
ROC 曲线显示了算法模型对自动检测所需输出的敏感程度。
|
大约1年
|
|
ROC曲线下面积(AUC)
大体时间：大约1年
|
它显示了算法模型的运行值，可以代表模型的效果。
|
大约1年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Songtao Yuan, doctor、The First Affiliated Hospital with Nanjing Medical University
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2017年6月30日
初级完成 (预期的)
2018年6月1日
研究完成 (预期的)
2020年12月31日
研究注册日期
首次提交
2018年2月26日
首先提交符合 QC 标准的
2018年3月22日
首次发布 (实际的)
2018年3月26日
研究记录更新
最后更新发布 (实际的)
2018年3月26日
上次提交的符合 QC 标准的更新
2018年3月22日
最后验证
2018年2月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.