使用眼部图像通过深度学习筛查和识别肝胆疾病
2020年8月16日 更新者：Haotian Lin、Sun Yat-sen University
人工智能可以深入了解背后潜在的隐蔽关联，并揭示肝胆疾病患者的一些早期眼部结构变化。
我们进行了一项开创性的工作，通过深度学习探索眼睛和肝脏之间的关联，开发和评估不同的深度学习模型，以使用眼部图像预测肝胆疾病。
研究概览
研究类型
观察性的
注册 (实际的)
1789
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
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- 成人
- OLDER_ADULT
- 孩子
接受健康志愿者
是的
有资格学习的性别
全部
取样方法
概率样本
研究人群
裂隙灯和视网膜眼底图像采集于中山大学附属第三医院感染科、中山大学附属第三医院感染科、南方医科大学附属花都医院、南天医学中心爱康医疗、爱康医疗旗下欢食洞医疗中心。
描述
纳入标准：
- 眼底和裂隙灯图像的质量应该是临床可接受的。
- 包括四个主要区域（视盘、黄斑、上下视网膜血管弓）在内的 90% 以上的眼底图像区域易于阅读和区分。
- 超过 90% 的裂隙灯图像区域包括三个主要区域（巩膜、瞳孔和晶状体），易于阅读和区分。
排除标准：
- 具有漏光（>10% 的区域）、镜头光晕或污渍斑点以及过度曝光的图像被排除在进一步分析之外。
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
发展数据集 01
裂隙灯和视网膜眼底图像采集自中山大学附属第三医院肝胆外科。
|
训练数据集用于训练深度学习模型，并由其他两个数据集进行验证和测试。
|
|
发展数据集02
从南方医科大学附属花都医院收集的裂隙灯和视网膜眼底图像。
|
训练数据集用于训练深度学习模型，并由其他两个数据集进行验证和测试。
|
|
发展数据集03
爱康医疗南天医疗中心采集的裂隙灯和视网膜眼底图像。
|
训练数据集用于训练深度学习模型，并由其他两个数据集进行验证和测试。
|
|
测试数据集 01
裂隙灯和视网膜眼底图像采集自中山大学附属第三医院感染科。
|
训练数据集用于训练深度学习模型，并由其他两个数据集进行验证和测试。
|
|
测试数据集 02
裂隙灯和视网膜眼底图像采集自爱康医疗欢食洞医疗中心。
|
训练数据集用于训练深度学习模型，并由其他两个数据集进行验证和测试。
|
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 |
|---|---|---|
|
深度学习系统受试者工作特征曲线下面积
大体时间：基线
|
研究人员将计算深度学习系统受试者工作特征曲线下的面积，并将该指标与深度学习系统和人类医生进行比较
|
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
深度学习系统的敏感性和特异性
大体时间：基线
|
研究人员将计算深度学习系统的敏感性和特异性，并将该指标与深度学习系统和人类医生进行比较
|
基线
|
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。
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)
2018年12月1日
初级完成 (实际的)
2020年1月31日
研究完成 (实际的)
2020年1月31日
研究注册日期
首次提交
2019年12月25日
首先提交符合 QC 标准的
2019年12月25日
首次发布 (实际的)
2019年12月30日
研究记录更新
最后更新发布 (实际的)
2020年8月18日
上次提交的符合 QC 标准的更新
2020年8月16日
最后验证
2020年8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.