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。

使用深度学习和磁共振自动检测和诊断 PHN 患者的病理 DRG

2024年3月5日 更新者：Xianwei Zhang，MD、Huazhong University of Science and Technology
本研究旨在开发一种基于深度学习的自动化系统，用于检测和诊断 PHN 患者的病变 DRG。 本研究回顾性分析了2021年1月至2022年2月在我院放射科接受磁共振神经影像检查的所有带状疱疹后神经痛患者的DRG图像。 经过图像后处理后，选择 You Only Look Once (YOLO) 版本 8 作为目标算法模型。 使用精度、召回率、平均精度、平均精度和 F1 分数等指标评估模型性能。

研究概览

地位

完全的

条件

干预/治疗

详细说明

我们之前的研究已经证实，带状疱疹后神经痛（PHN）患者和健康对照的受损背根神经节（DRG）的成像在宏观和微观方面存在差异。 此外，我们的研究发现，虽然病变皮肤定位是临床实践中的经典方法，但与磁共振成像（MRI）观察到的病变DRG仍存在一定程度的差异。 这表明 MRI 在诊断 PHN 患者 DRG 病变方面具有重要价值。 对于带状疱疹神经痛患者来说，通过MRI明确识别病变的DRG更为重要。 然而，由于DRG病变体积小、形态多样，通过MRI诊断病变DRG需要神经解剖学和影像学方面的专业知识，这给临床医生带来了挑战。 快速准确地识别病变DRG对于介入治疗至关重要，因为它是神经病理性疼痛的重要治疗靶点。

YOLO（You Only Look Once）系列算法是目前广泛使用的单阶段实时目标检测算法，包括YOLOv1-YOLOv8。 由于其极高的检测速度，它们可以实现实时物体检测。 YOLOv5和YOLOv8现在广泛应用于自动驾驶、视频监控和目标跟踪等各种应用中[66,67]。 此外，YOLO系列越来越多地应用于医疗领域，包括肿瘤和关节囊病变检测，表现出良好的准确性、召回率和检测效率[68]。 本研究旨在利用YOLOv8算法开发快速准确的目标检测模型，同时评估其性能。 旨在验证利用该模型实时检测带状疱疹后神经痛中病变背根神经节（DRG）的可行性和有效性，为临床医生的早期诊断提供依据，并实现病变DRG的快速、精确定位。

研究类型

观察性的

注册 (实际的)

41

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

  • 中国
      • Wuhan、中国
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
    • Hubei
      • Wuhan、Hubei、中国、430030
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology

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
  • 年长者

接受健康志愿者

不

取样方法

非概率样本

研究人群

2021年1月至2022年2月在我院放射科接受磁共振神经影像检查的带状疱疹后神经痛患者。

描述

纳入标准：

  • 18岁或以上的患者；
  • 带状疱疹患者，皮损结痂后仍持续疼痛1个月以上；
  • 清晰的 MRI 图像显示明显的背根神经节 (DRG) 病变。

排除标准：

  • 患有可导致多发性神经病的严重全身、代谢或神经系统疾病的患者，例如多发性骨髓瘤、糖尿病或甲状腺疾病；
  • 有精神疾病、其他慢性疼痛或药物滥用病史的患者；
  • 有胸部或背部手术史及疼痛史的患者；
  • 成像中存在伪影或图像显示不清晰；
  • 被其他组织遮挡的目标图像。

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

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
开发基于深度学习的 PHN 患者病变 DRG 检测和诊断自动化系统
大体时间：202310-202402
选择 You Only Look Once (YOLO) 版本 8 作为目标算法模型
202310-202402

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

Huazhong University of Science and Technology

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)

2023年10月1日

初级完成 (实际的)

2024年1月31日

研究完成 (实际的)

2024年1月31日

研究注册日期

首次提交

2024年2月16日

首先提交符合 QC 标准的

2024年2月16日

首次发布 (实际的)

2024年2月23日

研究记录更新

最后更新发布 (估计的)

2024年3月6日

上次提交的符合 QC 标准的更新

2024年3月5日

最后验证

2024年3月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • deep learning

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

未定

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

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.

订阅