用于肝切除术后肝衰竭预测的可解释深度学习框架的可用性和临床有效性
使用反事实解释和分层相关性传播框架预测肝切除术后肝衰竭的可解释深度学习框架 (VAE-MILP) 的可用性和临床有效性
这项计算机模拟临床试验的目标是了解可解释的深度学习框架 (VAE-MLP) 的可用性和临床有效性,该框架使用反事实解释和分层相关性传播来预测肝切除术后肝衰竭 (PHLF) 患者肝细胞癌(HCC)。 它旨在回答的主要问题是:
- 研究 VAE-MLP 框架用于解释深度学习模型的可用性。
- 探讨 VAE-MLP 框架预测肝细胞癌患者肝切除术后肝功能衰竭的临床有效性。
在可用性试验中,临床医生和放射科医生将看到反事实解释和分层相关传播(LRP)图,以评估该框架的可用性。
在临床试验中,临床医生和放射科医生将在有模型解释和无模型解释两种不同条件下进行预测,并有至少14天的洗脱期,以评估解释框架的临床有效性。
研究概览
地位
条件
详细说明
肝切除术后肝衰竭(PHLF)是肝切除术后的严重并发症。 开发一个可解释的模型来预测 PHLF 非常重要,以促进与临床医生的有效合作进行决策。 二维剪切波弹性成像(2D-SWE)是一种肝脏硬度测量(LSM)技术,已被证明可用于肝纤维化分期。 因此,2D-SWE 显示了肝功能评估和 PHLF 预测的潜在价值。 2D-SWE 图像显示肝实质的颜色编码组织硬度图,红色代表实体组织(硬度较高),蓝色代表软组织(硬度较低)。 2D-SWE 的常规分析无法充分利用图像中的所有可用信息,并且在选择最佳量化区域时还存在观察者间差异。
深度学习 (DL) 在许多医学成像任务(例如分类或分割)上展示了最先进的性能。 然而,尽管深度学习取得了重大进展,但迄今为止深度学习工具的临床转化仍然有限,部分原因是模型缺乏可解释性,即所谓的“黑匣子”问题。 深度学习系统的可解释性对于培养临床信任以及及时纠正算法中的任何错误过程非常重要。
在这里,我们提出了一种新颖的可解释 DL 框架(VAE-MLP),它结合了用于解释 2D 医学图像的反事实分析和用于解释医学图像和临床变量的特征属性的 LRP。
这项计算机模拟临床试验的目标是了解可解释的深度学习框架 (VAE-MLP) 的可用性和临床有效性,该框架使用反事实解释和分层相关性传播来预测肝切除术后肝衰竭 (PHLF) 患者肝细胞癌。 它旨在回答的主要问题是:
- 研究可解释深度学习框架 (VAE-MLP) 在解释深度学习模型方面的可用性。
- 探讨可解释深度学习框架(VAE-MLP)预测肝细胞癌患者肝切除术后肝功能衰竭的临床有效性。
在可用性试验中,临床医生和放射科医生将看到 6 个示例的反事实解释和分层相关性传播图。 设计的问卷的李克特量表分数用于评估框架的可用性。
在临床试验中,临床医生和放射科医生将在两种不同的条件下进行预测:有模型解释和无模型解释,洗脱期至少为 14 天。 准确性、敏感性和特异性用于比较解释框架的临床有效性。
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名:Xian Zhong
- 电话号码:86-13632460144
- 邮箱:x.zhong@maastrichtuniversity.nl
学习地点
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510000
- 招聘中
- The First Affiliated Hospital of Sun Yat-sen University
-
接触:
- Xian Zhong
- 电话号码:86-13632460144
- 邮箱:x.zhong@maastrichtuniversity.nl
-
-
参与标准
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
取样方法
研究人群
描述
纳入标准:
1) 初治且可切除的 HCC 患者; 2)表现状态东部肿瘤合作组(PS)评分0-1。
排除标准:
1)未行肝切除术; 2) 病理诊断为非HCC; 3) 肝脏硬度测量失败,定义为弹性成像彩色图小于 75% 填充或四分位数范围 (IQR)/中位数 > 30%; 4) 丙氨酸氨基转移酶(ALT)水平升高≥2×正常上限(ULN)表明免疫活性慢性肝炎; 5)梗阻性黄疸或肝内胆管直径>3毫米扩张; 6) 低白蛋白血症、高胆红素血症或与肝脏无关的凝血障碍。
学习计划
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 |
---|---|
肝癌患者
在中国中山大学附属第一医院接受根治性肝癌肝切除术的患者。
|
放射科医生和临床医生将获得模型预测结果以及模型的解释,他们将填写一份调查问卷来评估可解释框架的可用性。
将向放射科医生和临床医生提供模型预测结果,但不解释模型,并要求他们给出自己的预测。
将向放射科医生和临床医生提供模型预测结果以及模型的解释,并要求他们给出自己的预测。
|
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 |
---|---|---|
解释框架的临床有效性
大体时间:从入组到试验结束8周
|
将比较有和没有 DL 模型解释的预测的准确性、敏感性和特异性,以确定解释框架的临床有效性。
|
从入组到试验结束8周
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
---|---|---|
解释框架的可用性
大体时间:从入组到试验结束8周
|
设计的问卷的李克特量表分数用于评估框架的可用性。
每个项目都有 1 到 5 分的分数。分数越高意味着结果越好。
|
从入组到试验结束8周
|
合作者和调查者
调查人员
- 首席研究员:Philippe Lambin、Maastricht University
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (估计的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
关键字
其他研究编号
- Interpretable DL
- 92059201 (其他赠款/资助编号:National Natural Science Foundation of China)
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)?
IPD 计划说明
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
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.