此页面是自动翻译的，不保证翻译的准确性。请参阅英文版对于源文本。

多学科医学人工智能开发平台 (AI)

2021年5月16日更新者：Haotian Lin、Sun Yat-sen University

生物医学深度学习 (DL) 通常严重依赖于为大规模数据生成可靠的标签以及对模型训练的高技术要求。为了高效地开发深度学习模型，我们建立了一个集成平台，将自动化引入注释和模型训练——深度学习模型开发的主要过程。基于该平台，我们对注释策略和 AI 模型开发与对来自多个学科的医学图像数据集执行的纯手动注释方法进行了定量验证和比较。

研究概览

地位

招聘中

条件

研究类型

观察性的

注册 (预期的)

200

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。

学习联系方式

姓名：Haotian Lin, Ph.D, M.D.
电话号码：+86-020-87330274
邮箱：gddlht@aliyun.com

学习地点

中国
- Guangdong
  - Guangzhou、Guangdong、中国、510060
    - 招聘中
    - Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
    - 接触：
      
      Haotian Lin, Ph.D, M.D.
      
      电话号码：+86-020-87330274
      
      邮箱：gddlht@aliyun.com

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

是的

有资格学习的性别

全部

取样方法

概率样本

研究人群

用于多个学科的医学成像，包括眼科、病理学、放射学、血细胞和内窥镜检查

描述

纳入标准：

有医学影像记录（包括眼科、病理学、放射学、血细胞和内窥镜检查）

排除标准：

不合格的医学影像

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

团体/队列数

队列和干预

团体/队列
人机协作组用于注释和 AI 模型开发的医疗保健专业人员和机器协作
纯手工组用于纯手动注释和 AI 模型开发的医疗保健专业人员

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
标注准确率大体时间：基线	使用注释结果计算注释准确性以进行组间比较	基线

次要结果测量

结果测量	措施说明	大体时间
模型性能的准确性大体时间：基线	使用模型预测结果计算 AI 模型准确度以进行组间比较	基线
模型性能的 AUC 大体时间：基线	使用模型预测结果计算 AI 模型 AUC 以进行组间比较	基线
标注时间成本大体时间：基线	使用测试期间记录的时间计算组间比较的注释时间成本	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。

赞助

Sun Yat-sen University

调查人员

首席研究员：Haotian Lin, Ph.D, M.D.、Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity

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)

2021年3月18日

初级完成 (实际的)

2021年4月1日

研究完成 (预期的)

2021年5月31日

研究注册日期

首次提交

2021年3月18日

首先提交符合 QC 标准的

2021年5月16日

首次发布 (实际的)

2021年5月18日

研究记录更新

最后更新发布 (实际的)