针对口腔潜在恶性疾病和口腔癌筛查的基于智能手机的深度学习系统的应用和验证
针对口腔潜在恶性疾病(OPMD)和口腔癌筛查的基于智能手机的深度学习系统的应用和验证
这项临床试验的目的是学习基于智能手机的深度学习系统是否可以准确检测成人口腔潜在的恶性疾病和口腔癌。 它还将了解它是否与牙医和未认证的健康提供商进行的评估一样有效。
我们预计深度学习系统将在检测口腔潜在的恶性疾病和口腔癌方面具有更高的敏感性,因为作为牙医和未经认证的健康提供者,在筛查中将表现出更高的特异性。
参与者将分为三个武器:深度学习系统(ARM A)或具有深度学习系统(ARM B)的董事会认证的牙医或具有深度学习系统(ARM C)的未认证的健康提供者(全科医生)。
匿名问卷记录了口腔癌危险因素,例如吸烟习惯或咀嚼槟榔或饮酒的习惯。
研究概览
详细说明
背景:
口腔癌仍然是台湾和全球与癌症相关死亡的主要原因之一。 人工智能有可能改善口腔癌筛查,通过解决高质量解决方案的医疗保健访问问题来提早发现。
客观的:
为了验证基于智能手机的深度学习系统在检测口服潜在恶性疾病(OPMD)和口腔癌方面的准确性,同时也证明它与牙医和未认证的健康提供者进行的评估一样有效。
方法:
设计,设置和参与者:在2025年1月至2025年12月之间,将在台湾北部的一个医疗中心进行开放的三臂随机对照试验。 该试验将包括18岁以上的受试者,他们访问了各种筛查的癌症筛查中心。 匿名问卷记录了口腔癌危险因素,例如吸烟习惯或咀嚼槟榔或饮酒的习惯。
干预措施:使用计算机生成的随机化算法与深度学习系统(ARM A)或具有深度学习系统(ARM B)或未认证的健康提供者(总从业者)使用计算机生成的随机化算法(ARM A)或董事会认证的牙医,将符合条件的受试者以1:1:1的比率进行随机分配。 ARM B和C中的深度学习系统只能用于随后的比较,并且不会有助于手动解释。
主要结果和措施:主要结果是深度学习系统,牙医和未认证的健康提供者的三个推荐等级(良性(绿色),潜在的恶性(黄色)和恶性(红色))的敏感性和特异性。 还将计算每个接收器操作特性(ROC)曲线下曲线下的面积(AUC)。 次要结果是受试者在考试期间舒适性的反馈以及评估所需的时间。
预期结果:
我们假设深度学习系统在检测OPMD和口腔癌方面具有更高的敏感性,而牙医和全科医生将在筛查中表现出更高的特异性。 结果可以帮助我们增强口腔癌筛查促进过程。
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名:I Ann Hsiao, MD
- 电话号码:266634 +886-2312-3456
- 邮箱:iamiannhsiao@gmail.com
研究联系人备份
- 姓名:Shao-Yi Cheng, MD, MSc, DrPH
- 电话号码:266823 +886-2312-3456
- 邮箱:scheng2140@gmail.com
学习地点
-
-
-
Taipei、台湾、100229
- Department of Family Medicine, National Taiwan University Hospital
-
接触:
- Shao-Yi Cheng, MD, MSc, DrPH
- 电话号码:266823 +886-2-23123456
- 邮箱:scheng2140@gmail.com
-
接触:
- I Ann Hsiao, MD
- 电话号码:266634 +886-2-23123456
- 邮箱:iamiannhsiao@gmail.com
-
接触:
- Yi-Hsuan Lee, MD, MPH
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
描述
纳入标准:
- 成人患者(≥18岁)参观癌症筛查中心
排除标准:
- 无法合作以完全张开嘴/导航舌头
- 无法合作进行评估
学习计划
研究是如何设计的?
设计细节
- 主要用途:放映
- 分配:随机化
- 介入模型:并行分配
- 屏蔽:无(打开标签)
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的:一个
深度学习系统
|
基于智能手机的深度学习系统通过2006年至2013年间收集的50,000多个白色宏观图像的数据集进行了培训,以开发Yolov7模型。
病变分为三个推荐等级:良性(绿色),潜在的恶性(黄色)和恶性(红色)。
|
|
有源比较器:B
深度学习系统的董事会认证牙医
|
基于智能手机的深度学习系统通过2006年至2013年间收集的50,000多个白色宏观图像的数据集进行了培训,以开发Yolov7模型。
病变分为三个推荐等级:良性(绿色),潜在的恶性(黄色)和恶性(红色)。
|
|
有源比较器:C
深度学习系统的未认证的健康提供者(全科医生)
|
基于智能手机的深度学习系统通过2006年至2013年间收集的50,000多个白色宏观图像的数据集进行了培训,以开发Yolov7模型。
病变分为三个推荐等级:良性(绿色),潜在的恶性(黄色)和恶性(红色)。
|
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 |
|---|---|---|
|
有效性和准确性
大体时间:在6个月内
|
主要结果是深度学习系统,牙医和未认证的健康提供者对三个推荐等级(绿色,黄色和红色)的敏感性和特异性。
还将计算每个接收器操作特性(ROC)曲线下曲线下的面积(AUC)。
|
在6个月内
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
问卷
大体时间:在6个月内
|
次要结果是受试者在通过视觉模拟量表(VAS)评估的考试期间对舒适性的反馈(10分)。
还将记录筛查所需的时间以评估效率。
|
在6个月内
|
合作者和调查者
调查人员
- 学习椅:Shao-Yi Cheng, MD, MSc, DrPH、Department of Family Medicine, College of Medicine and Hospital, National Taiwan University
出版物和有用的链接
一般刊物
- Tanriver G, Soluk Tekkesin M, Ergen O. Automated Detection and Classification of Oral Lesions Using Deep Learning to Detect Oral Potentially Malignant Disorders. Cancers (Basel). 2021 Jun 2;13(11):2766. doi: 10.3390/cancers13112766.
- Warnakulasuriya S, Kujan O, Aguirre-Urizar JM, Bagan JV, Gonzalez-Moles MA, Kerr AR, Lodi G, Mello FW, Monteiro L, Ogden GR, Sloan P, Johnson NW. Oral potentially malignant disorders: A consensus report from an international seminar on nomenclature and classification, convened by the WHO Collaborating Centre for Oral Cancer. Oral Dis. 2021 Nov;27(8):1862-1880. doi: 10.1111/odi.13704. Epub 2020 Nov 26.
- Hsu Y, Chou CY, Huang YC, Liu YC, Lin YL, Zhong ZP, Liao JK, Lee JC, Chen HY, Lee JJ, Chen SJ. Oral mucosal lesions triage via YOLOv7 models. J Formos Med Assoc. 2024 Jul 12:S0929-6646(24)00313-9. doi: 10.1016/j.jfma.2024.07.010. Online ahead of print.
- Hegde S, Ajila V, Zhu W, Zeng C. Artificial intelligence in early diagnosis and prevention of oral cancer. Asia Pac J Oncol Nurs. 2022 Aug 24;9(12):100133. doi: 10.1016/j.apjon.2022.100133. eCollection 2022 Dec.
- Ng SW, Syamim Syed Mohd Sobri SN, Zain RB, Kallarakkal TG, Amtha R, Wiranata Wong FA, Rimal J, Durward C, Chea C, Jayasinghe RD, Vatanasapt P, Saleha Binti Ibrahim Tamin N, Cheng LC, Mazlipah Binti Ismail S, Tepirou C, Ariff Bin Abdul Rahman Z, Rajendran S, Kanapathy J, Liew CS, Cheong SC. Barriers to early detection and management of oral cancer in the Asia Pacific region. J Health Serv Res Policy. 2022 Apr;27(2):133-140. doi: 10.1177/13558196211053110. Epub 2022 Jan 22.
- Khanagar SB, Naik S, Al Kheraif AA, Vishwanathaiah S, Maganur PC, Alhazmi Y, Mushtaq S, Sarode SC, Sarode GS, Zanza A, Testarelli L, Patil S. Application and Performance of Artificial Intelligence Technology in Oral Cancer Diagnosis and Prediction of Prognosis: A Systematic Review. Diagnostics (Basel). 2021 May 31;11(6):1004. doi: 10.3390/diagnostics11061004.
- Gigliotti J, Madathil S, Makhoul N. Delays in oral cavity cancer. Int J Oral Maxillofac Surg. 2019 Sep;48(9):1131-1137. doi: 10.1016/j.ijom.2019.02.015. Epub 2019 Mar 13.
- Peacock ZS, Pogrel MA, Schmidt BL. Exploring the reasons for delay in treatment of oral cancer. J Am Dent Assoc. 2008 Oct;139(10):1346-52. doi: 10.14219/jada.archive.2008.0046.
- R VC, C R, Sridhar P, Ramachandra C, Kumar M. Barriers related to Oral Cancer Screening, Diagnosis and Treatment in Karnataka, India. Gulf J Oncolog. 2023 Sep;1(43):19-24.
- Gonzalez-Moles MA, Aguilar-Ruiz M, Ramos-Garcia P. Challenges in the Early Diagnosis of Oral Cancer, Evidence Gaps and Strategies for Improvement: A Scoping Review of Systematic Reviews. Cancers (Basel). 2022 Oct 10;14(19):4967. doi: 10.3390/cancers14194967.
- Stathopoulos P, Smith WP. Analysis of Survival Rates Following Primary Surgery of 178 Consecutive Patients with Oral Cancer in a Large District General Hospital. J Maxillofac Oral Surg. 2017 Jun;16(2):158-163. doi: 10.1007/s12663-016-0937-z. Epub 2016 Jul 8.
研究记录日期
研究主要日期
学习开始 (估计的)
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 (实际的)
上次提交的符合 QC 标准的更新
最后验证
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.