免费获得国外相关药品，最快 1 个工作日回馈药物信息
出境医 / 临床实验 / 视网膜疾病治疗的新技术
视网膜疾病治疗的新技术
研究描述
简要摘要：
根据FFA图像的深度学习，随着精密医学时代的出现，根据眼底疾病的严重性设计了最佳的激光能量和路径，以确定眼底病变的区域，底眼图像的注册疾病有紧急的临床需求和非常重要的意义
| 病情或疾病 |
|---|
| 视网膜疾病 |
详细说明：
- 结构化的DR图像数据库构建和准确注释：回顾性（从2016年1月1日到道德审查日）和前瞻性（从道德审查日到2023年12月31日），收集了FFA和其他多模式图像。几位眼科医生和底眼疾病的高级专家对每位患者的每个图像进行了诊断评估，并完成了数据的准确分级诊断，最后逐步建立了一个结构化的DR数据库。本文使用计算机视觉理论来量化FFA图像的质量失真，指导计算机适应现有的图像增强和降噪算法，并完成对底面图像数据的预处理。
- 基于眼底图像的智能分级诊断系统的构建：首先，底面图像被用作底底数据训练数据库，根据国际临床DR分级诊断标准，许多医生准确地标记了底眼图像。国际临床DR分级标准：0级，没有明显的视网膜异常； 1级，只有微型瘤； 2级，比微型瘤更严重，但不如重度严重； 3级，四个象限，每个象限有20多个视网膜出血，超过两个象限具有明确的静脉珠，一个以上的象限具有明显的IRMA，没有增生性视网膜病变的迹象。 4级，新血管形成，玻璃体出血体积血液，视网膜前出血。基于DR ARDICTINGLE诊断标准，卷积神经网络被构建为训练和成绩的底面图像。在基底图像的训练集中为每个图像重复此过程多次之后，深度学习系统学习了如何对训练集中的所有数据进行分类，以准确诊断底底图像。
- FFA图像焦点区域的卷积神经网络构建：深度学习的卷积神经网络由数百万参数组成，该参数用于训练和执行给定的任务。每个线性卷积操作产生的输出通过非线性激活函数正规化，结合了池层和完整连接层的尺寸降低，因此深神经网络的优化过程不仅克服了梯度分散，而且还有助于生成功能类似于人类神经细胞对视觉信号的分层感知机制。 FFA图像用作眼底数据训练数据库。基于病变区域的准确标记（无灌注区域，微管瘤区域和泄漏区域），需要对FFA图像进行治疗，以便对病变区域的智能识别。在训练过程中，神经网络的参数最初设置为随机值。然后，对于每个图像，将功能给出的结果与训练集的已知结果进行比较，以优化函数的参数。在为训练数据集中的每个图像重复此过程后，深度学习系统学习了如何对训练集中的所有数据进行分类，以准确预测FFA图像上的DR病变。
- 基于FFA图像和底面图像注册的智能眼底激光导航模型的构建：博士在上述FFA图像上的病变智能识别系统准确地识别了需要底底激光治疗的区域，可帮助医生确定需要治疗的病变，并基于基于治疗的病变在机器学习的图像匹配中，提供了眼底图像和FFA组合的注册图像，该图像根据病变区域的位置和大小信息，根据匹配的视网膜直径和不同激光斑的布置，设置了个性化激光器，则设置了个性化的激光。制定了治疗方案，并构建了智能的眼底激光治疗指南模型。
学习规划
| 研究类型 ： | 观察性[患者注册表] |
| 估计入学人数 ： | 2000名参与者 |
| 观察模型： | 案例交叉 |
| 时间观点： | 横截面 |
| 目标随访时间： | 4年 |
| 官方标题： | 研究智能诊断和自动病变跟踪，用于基于深度学习的视网膜疾病的精确治疗 |
| 实际学习开始日期 ： | 2016年1月1日 |
| 估计初级完成日期 ： | 2023年1月1日 |
| 估计 学习完成日期 ： | 2023年12月31日 |
武器和干预措施
| 小组/队列 |
|---|
| 病人 视网膜疾病的患者 |
结果措施
主要结果指标 ：
- 人工智能[时间范围：2016.01-2023.12]使用数据开发深度学习模型
资格标准
| 符合研究资格的年龄： | 儿童，成人，老年人 |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 是的 |
| 采样方法： | 概率样本 |
研究人群
患者在智江大学第二附属医院的眼中中心进行视网膜外观
标准
联系人和位置
联系人
| 联系人：医学博士Jin Kai | 13646828461 | jinkai@zju.edu.cn |
位置
| 中国，郑 | |
| 郑安格大学第二附属医院 | 招募 |
| 中国千江韩国 | |
| 联系人：Jin Kai，MD 13646828461 | |
赞助商和合作者
智格大学医学院第二附属医院
调查人员
| 首席研究员： | Jin Kai，医学博士 | 郑安格大学 | |
| 首席研究员： | Xu Yufeng，医学博士 | 郑安格大学 | |
| 首席研究员： | 卢·利克西亚（Lou Lixia），医学博士 | 郑安格大学 |
| 追踪信息 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2021年1月18日 | |||||||||
| 第一个发布日期 | 2021年1月22日 | |||||||||
| 最后更新发布日期 | 2021年1月22日 | |||||||||
| 实际学习开始日期 | 2016年1月1日 | |||||||||
| 估计初级完成日期 | 2023年1月1日（主要结果度量的最终数据收集日期） | |||||||||
| 当前的主要结果指标 | 人工智能[时间范围：2016.01-2023.12] 使用数据开发深度学习模型 | |||||||||
| 原始主要结果指标 | 与电流相同 | |||||||||
| 改变历史 | 没有发布更改 | |||||||||
| 当前的次要结果指标 | 不提供 | |||||||||
| 原始的次要结果指标 | 不提供 | |||||||||
| 当前其他预先指定的结果指标 | 不提供 | |||||||||
| 其他其他预先指定的结果指标 | 不提供 | |||||||||
| 描述性信息 | ||||||||||
| 简短标题 | 视网膜疾病治疗的新技术 | |||||||||
| 官方头衔 | 研究智能诊断和自动病变跟踪，用于基于深度学习的视网膜疾病的精确治疗 | |||||||||
| 简要摘要 | 根据FFA图像的深度学习，随着精密医学时代的出现，根据眼底疾病的严重性设计了最佳的激光能量和路径，以确定眼底病变的区域，底眼图像的注册疾病有紧急的临床需求和非常重要的意义 | |||||||||
| 详细说明 |
| |||||||||
| 研究类型 | 观察性[患者注册表] | |||||||||
| 学习规划 | 观察模型：案例交叉 时间视角：横截面 | |||||||||
| 目标随访时间 | 4年 | |||||||||
| 生物测量 | 不提供 | |||||||||
| 采样方法 | 概率样本 | |||||||||
| 研究人群 | 患者在智江大学第二附属医院的眼中中心进行视网膜外观 | |||||||||
| 健康）状况 | 视网膜疾病 | |||||||||
| 干涉 | 不提供 | |||||||||
| 研究组/队列 | 病人 视网膜疾病的患者 | |||||||||
| 出版物 * | 不提供 | |||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符（NCT编号）确定的出版物。 | ||||||||||
| 招聘信息 | ||||||||||
| 招聘状况 | 招募 | |||||||||
| 估计入学人数 | 2000 | |||||||||
| 原始估计注册 | 与电流相同 | |||||||||
| 估计学习完成日期 | 2023年12月31日 | |||||||||
| 估计初级完成日期 | 2023年1月1日（主要结果度量的最终数据收集日期） | |||||||||
| 资格标准 | 纳入标准：
排除标准：
| |||||||||
| 性别/性别 |
| |||||||||
| 年龄 | 儿童，成人，老年人 | |||||||||
| 接受健康的志愿者 | 是的 | |||||||||
| 联系人 |
| |||||||||
| 列出的位置国家 | 中国 | |||||||||
| 删除了位置国家 | ||||||||||
| 管理信息 | ||||||||||
| NCT编号 | NCT04718532 | |||||||||
| 其他研究ID编号 | 研2019-428 | |||||||||
| 有数据监测委员会 | 不提供 | |||||||||
| 美国FDA调节的产品 |
| |||||||||
| IPD共享声明 |
| |||||||||
| 责任方 | 智格大学医学院第二附属医院 | |||||||||
| 研究赞助商 | 智格大学医学院第二附属医院 | |||||||||
| 合作者 | 不提供 | |||||||||
| 调查人员 |
| |||||||||
| PRS帐户 | 智格大学医学院第二附属医院 | |||||||||
| 验证日期 | 2021年1月 | |||||||||
研究描述
简要摘要：
根据FFA图像的深度学习，随着精密医学时代的出现，根据眼底疾病的严重性设计了最佳的激光能量和路径，以确定眼底病变的区域，底眼图像的注册疾病有紧急的临床需求和非常重要的意义
| 病情或疾病 |
|---|
| 视网膜疾病 |
详细说明：
- 结构化的DR图像数据库构建和准确注释：回顾性（从2016年1月1日到道德审查日）和前瞻性（从道德审查日到2023年12月31日），收集了FFA和其他多模式图像。几位眼科医生和底眼疾病的高级专家对每位患者的每个图像进行了诊断评估，并完成了数据的准确分级诊断，最后逐步建立了一个结构化的DR数据库。本文使用计算机视觉理论来量化FFA图像的质量失真，指导计算机适应现有的图像增强和降噪算法，并完成对底面图像数据的预处理。
- 基于眼底图像的智能分级诊断系统的构建：首先，底面图像被用作底底数据训练数据库，根据国际临床DR分级诊断标准，许多医生准确地标记了底眼图像。国际临床DR分级标准：0级，没有明显的视网膜异常； 1级，只有微型瘤； 2级，比微型瘤更严重，但不如重度严重； 3级，四个象限，每个象限有20多个视网膜出血，超过两个象限具有明确的静脉珠，一个以上的象限具有明显的IRMA，没有增生性视网膜病变的迹象。 4级，新血管形成，玻璃体出血体积血液，视网膜前出血。基于DR ARDICTINGLE诊断标准，卷积神经网络被构建为训练和成绩的底面图像。在基底图像的训练集中为每个图像重复此过程多次之后，深度学习系统学习了如何对训练集中的所有数据进行分类，以准确诊断底底图像。
- FFA图像焦点区域的卷积神经网络构建：深度学习的卷积神经网络由数百万参数组成，该参数用于训练和执行给定的任务。每个线性卷积操作产生的输出通过非线性激活函数正规化，结合了池层和完整连接层的尺寸降低，因此深神经网络的优化过程不仅克服了梯度分散，而且还有助于生成功能类似于人类神经细胞对视觉信号的分层感知机制。 FFA图像用作眼底数据训练数据库。基于病变区域的准确标记（无灌注区域，微管瘤区域和泄漏区域），需要对FFA图像进行治疗，以便对病变区域的智能识别。在训练过程中，神经网络的参数最初设置为随机值。然后，对于每个图像，将功能给出的结果与训练集的已知结果进行比较，以优化函数的参数。在为训练数据集中的每个图像重复此过程后，深度学习系统学习了如何对训练集中的所有数据进行分类，以准确预测FFA图像上的DR病变。
- 基于FFA图像和底面图像注册的智能眼底激光导航模型的构建：博士在上述FFA图像上的病变智能识别系统准确地识别了需要底底激光治疗的区域，可帮助医生确定需要治疗的病变，并基于基于治疗的病变在机器学习的图像匹配中，提供了眼底图像和FFA组合的注册图像，该图像根据病变区域的位置和大小信息，根据匹配的视网膜直径和不同激光斑的布置，设置了个性化激光器，则设置了个性化的激光。制定了治疗方案，并构建了智能的眼底激光治疗指南模型。
学习规划
| 研究类型 ： | 观察性[患者注册表] |
| 估计入学人数 ： | 2000名参与者 |
| 观察模型： | 案例交叉 |
| 时间观点： | 横截面 |
| 目标随访时间： | 4年 |
| 官方标题： | 研究智能诊断和自动病变跟踪，用于基于深度学习的视网膜疾病的精确治疗 |
| 实际学习开始日期 ： | 2016年1月1日 |
| 估计初级完成日期 ： | 2023年1月1日 |
| 估计 学习完成日期 ： | 2023年12月31日 |
武器和干预措施
| 小组/队列 |
|---|
| 病人 视网膜疾病的患者 |
结果措施
主要结果指标 ：
- 人工智能[时间范围：2016.01-2023.12]使用数据开发深度学习模型
资格标准
| 符合研究资格的年龄： | 儿童，成人，老年人 |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 是的 |
| 采样方法： | 概率样本 |
研究人群
患者在智江大学第二附属医院的眼中中心进行视网膜外观
标准
联系人和位置
联系人
| 联系人：医学博士Jin Kai | 13646828461 | jinkai@zju.edu.cn |
位置
| 中国，郑 | |
| 郑安格大学第二附属医院 | 招募 |
| 中国千江韩国 | |
| 联系人：Jin Kai，MD 13646828461 | |
赞助商和合作者
智格大学医学院第二附属医院
调查人员
| 首席研究员： | Jin Kai，医学博士 | 郑安格大学 | |
| 首席研究员： | Xu Yufeng，医学博士 | 郑安格大学 | |
| 首席研究员： | 卢·利克西亚（Lou Lixia），医学博士 | 郑安格大学 |
| 追踪信息 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2021年1月18日 | |||||||||
| 第一个发布日期 | 2021年1月22日 | |||||||||
| 最后更新发布日期 | 2021年1月22日 | |||||||||
| 实际学习开始日期 | 2016年1月1日 | |||||||||
| 估计初级完成日期 | 2023年1月1日（主要结果度量的最终数据收集日期） | |||||||||
| 当前的主要结果指标 | 人工智能[时间范围：2016.01-2023.12] 使用数据开发深度学习模型 | |||||||||
| 原始主要结果指标 | 与电流相同 | |||||||||
| 改变历史 | 没有发布更改 | |||||||||
| 当前的次要结果指标 | 不提供 | |||||||||
| 原始的次要结果指标 | 不提供 | |||||||||
| 当前其他预先指定的结果指标 | 不提供 | |||||||||
| 其他其他预先指定的结果指标 | 不提供 | |||||||||
| 描述性信息 | ||||||||||
| 简短标题 | 视网膜疾病治疗的新技术 | |||||||||
| 官方头衔 | 研究智能诊断和自动病变跟踪，用于基于深度学习的视网膜疾病的精确治疗 | |||||||||
| 简要摘要 | 根据FFA图像的深度学习，随着精密医学时代的出现，根据眼底疾病的严重性设计了最佳的激光能量和路径，以确定眼底病变的区域，底眼图像的注册疾病有紧急的临床需求和非常重要的意义 | |||||||||
| 详细说明 |
| |||||||||
| 研究类型 | 观察性[患者注册表] | |||||||||
| 学习规划 | 观察模型：案例交叉 时间视角：横截面 | |||||||||
| 目标随访时间 | 4年 | |||||||||
| 生物测量 | 不提供 | |||||||||
| 采样方法 | 概率样本 | |||||||||
| 研究人群 | 患者在智江大学第二附属医院的眼中中心进行视网膜外观 | |||||||||
| 健康）状况 | 视网膜疾病 | |||||||||
| 干涉 | 不提供 | |||||||||
| 研究组/队列 | 病人 视网膜疾病的患者 | |||||||||
| 出版物 * | 不提供 | |||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符（NCT编号）确定的出版物。 | ||||||||||
| 招聘信息 | ||||||||||
| 招聘状况 | 招募 | |||||||||
| 估计入学人数 | 2000 | |||||||||
| 原始估计注册 | 与电流相同 | |||||||||
| 估计学习完成日期 | 2023年12月31日 | |||||||||
| 估计初级完成日期 | 2023年1月1日（主要结果度量的最终数据收集日期） | |||||||||
| 资格标准 | 纳入标准：
排除标准：
| |||||||||
| 性别/性别 |
| |||||||||
| 年龄 | 儿童，成人，老年人 | |||||||||
| 接受健康的志愿者 | 是的 | |||||||||
| 联系人 |
| |||||||||
| 列出的位置国家 | 中国 | |||||||||
| 删除了位置国家 | ||||||||||
| 管理信息 | ||||||||||
| NCT编号 | NCT04718532 | |||||||||
| 其他研究ID编号 | 研2019-428 | |||||||||
| 有数据监测委员会 | 不提供 | |||||||||
| 美国FDA调节的产品 |
| |||||||||
| IPD共享声明 |
| |||||||||
| 责任方 | 智格大学医学院第二附属医院 | |||||||||
| 研究赞助商 | 智格大学医学院第二附属医院 | |||||||||
| 合作者 | 不提供 | |||||||||
| 调查人员 |
| |||||||||
| PRS帐户 | 智格大学医学院第二附属医院 | |||||||||
| 验证日期 | 2021年1月 | |||||||||
