免费获得国外相关药品，最快 1 个工作日回馈药物信息
在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用
| 病情或疾病 |
|---|
| 人工智能光学增强内窥镜检查内窥镜检查 |
胃癌是全世界尤其是在亚洲的癌症相关死亡的第三大最常见原因。预测和治疗将以5年的生存率大于90％来治愈该疾病。但是，以白光成像为常规内窥镜检查的敏感性（ C-WLI）在诊断早期胃癌（EGC）的诊断仅为40％。已经开发了放大图像增强的内窥镜（IEE）技术，例如放大窄带成像（M-NBI），并报告了2 RCT报告，即白光成像与M-NBI结合使用可以将敏感性提高到95％。在筛查内窥镜检查中建议使用白光成像检测可疑病变和使用M-IIE技术来诊断早期胃癌的策略。
光学增强（OE）是M-IIE技术之一，是由Hoya Co.（日本东京）开发的。该技术结合了数字信号处理和光学滤镜，以清除粘膜微观面（MS）和微血管（MV）的显示。 OE的优势是克服NBI的黑暗，这导致对全胃肠道腔内的检测能力的有用性较小。尽管如此，很难将早期胃癌与初学者的非癌性病变区分开，并且具有次级优势间的专业知识 - 观察者协议对于使用M-IEE至关重要。
如今，使用深度机器学习的人工智能（AI）已在胃肠病学方面取得了重大突破，该学术使用梯度下降方法和反向传播来自动提取特定的图像特征。在C-WLI中，鉴定上胃肠道癌的诊断准确性为0.955。可以实时识别息肉，在筛查结肠镜检查中精度为96％。 AI在检测和诊断中显示出了出色的应用。
这项研究旨在通过区分癌症来开发EGC诊断的M-OE辅助模型。
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 80名参与者 |
| 观察模型： | 其他 |
| 时间观点： | 其他 |
| 官方标题： | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 |
| 实际学习开始日期 ： | 2020年7月10日 |
| 估计初级完成日期 ： | 2020年11月30日 |
| 估计 学习完成日期 ： | 2020年12月30日 |
| 小组/队列 |
|---|
| 需要放大的患者内窥镜检查 |
- 计算机辅助诊断工具的诊断效率[时间范围：12个月]计算机辅助诊断工具的灵敏度，特异性和准确性
| 联系人：Yanqing Li，博士 | 86-531-82169236 | liyanqing@sdu.edu.cn |
| 中国，山东 | |
| 山东大学Qilu医院胃肠病学系 | 招募 |
| 吉南，中国山东，250012 | |
| 联系人：Yanqing Li，博士。 MD。 18678827666 liyanqing@sdu.edu.cn | |
| 首席研究员： | Yanqing Li，博士 | 研究首席研究员Qilu医院，山东大学 |
| 追踪信息 | |||||
|---|---|---|---|---|---|
| 首先提交日期 | 2020年9月22日 | ||||
| 第一个发布日期 | 2020年9月24日 | ||||
| 最后更新发布日期 | 2020年9月24日 | ||||
| 实际学习开始日期 | 2020年7月10日 | ||||
| 估计初级完成日期 | 2020年11月30日（主要结果指标的最终数据收集日期） | ||||
| 当前的主要结果指标 | 计算机辅助诊断工具的诊断效率[时间范围：12个月] 计算机辅助诊断工具的灵敏度，特异性和准确性 | ||||
| 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 | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 | ||||
| 官方头衔 | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 | ||||
| 简要摘要 | 先前的前瞻性随机对照研究表明，通过放大图像增强的内窥镜检查比传统的白光内窥镜检查，诊断早期胃癌的准确率更高。然而，很难将早期胃癌与初学者的非癌性病变区分开。我们开发了一种新的计算机辅助系统，以帮助内窥镜医生识别早期胃癌在放大光学增强图像中。 | ||||
| 详细说明 | 胃癌是全世界尤其是在亚洲的癌症相关死亡的第三大最常见原因。预测和治疗将以5年的生存率大于90％来治愈该疾病。但是，以白光成像为常规内窥镜检查的敏感性（ C-WLI）在诊断早期胃癌（EGC）的诊断仅为40％。已经开发了放大图像增强的内窥镜（IEE）技术，例如放大窄带成像（M-NBI），并报告了2 RCT报告，即白光成像与M-NBI结合使用可以将敏感性提高到95％。在筛查内窥镜检查中建议使用白光成像检测可疑病变和使用M-IIE技术来诊断早期胃癌的策略。 光学增强（OE）是M-IIE技术之一，是由Hoya Co.（日本东京）开发的。该技术结合了数字信号处理和光学滤镜，以清除粘膜微观面（MS）和微血管（MV）的显示。 OE的优势是克服NBI的黑暗，这导致对全胃肠道腔内的检测能力的有用性较小。尽管如此，很难将早期胃癌与初学者的非癌性病变区分开，并且具有次级优势间的专业知识 - 观察者协议对于使用M-IEE至关重要。 如今，使用深度机器学习的人工智能（AI）已在胃肠病学方面取得了重大突破，该学术使用梯度下降方法和反向传播来自动提取特定的图像特征。在C-WLI中，鉴定上胃肠道癌的诊断准确性为0.955。可以实时识别息肉，在筛查结肠镜检查中精度为96％。 AI在检测和诊断中显示出了出色的应用。 这项研究旨在通过区分癌症来开发EGC诊断的M-OE辅助模型。 | ||||
| 研究类型 | 观察 | ||||
| 学习规划 | 观察模型：其他 时间观点：其他 | ||||
| 目标随访时间 | 不提供 | ||||
| 生物测量 | 不提供 | ||||
| 采样方法 | 非概率样本 | ||||
| 研究人群 | 连续涉嫌早期胃癌并接受光学放大OE内窥镜检查的患者。 | ||||
| 健康）状况 |
| ||||
| 干涉 | 不提供 | ||||
| 研究组/队列 | 需要放大的患者内窥镜检查 | ||||
| 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 | 80 | ||||
| 原始估计注册 | 与电流相同 | ||||
| 估计学习完成日期 | 2020年12月30日 | ||||
| 估计初级完成日期 | 2020年11月30日（主要结果指标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 | 18岁以上（成人，老年人） | ||||
| 接受健康的志愿者 | 不 | ||||
| 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 | NCT04563416 | ||||
| 其他研究ID编号 | 2018sdu-qilu-3 | ||||
| 有数据监测委员会 | 不提供 | ||||
| 美国FDA调节的产品 |
| ||||
| IPD共享声明 | 不提供 | ||||
| 责任方 | 山东大学Yanqing Li | ||||
| 研究赞助商 | 山东大学 | ||||
| 合作者 | 不提供 | ||||
| 调查人员 |
| ||||
| PRS帐户 | 山东大学 | ||||
| 验证日期 | 2020年9月 | ||||
| 病情或疾病 |
|---|
| 人工智能光学增强内窥镜检查内窥镜检查 |
胃癌是全世界尤其是在亚洲的癌症相关死亡的第三大最常见原因。预测和治疗将以5年的生存率大于90％来治愈该疾病。但是，以白光成像为常规内窥镜检查的敏感性（ C-WLI）在诊断早期胃癌（EGC）的诊断仅为40％。已经开发了放大图像增强的内窥镜（IEE）技术，例如放大窄带成像（M-NBI），并报告了2 RCT报告，即白光成像与M-NBI结合使用可以将敏感性提高到95％。在筛查内窥镜检查中建议使用白光成像检测可疑病变和使用M-IIE技术来诊断早期胃癌的策略。
光学增强（OE）是M-IIE技术之一，是由Hoya Co.（日本东京）开发的。该技术结合了数字信号处理和光学滤镜，以清除粘膜微观面（MS）和微血管（MV）的显示。 OE的优势是克服NBI的黑暗，这导致对全胃肠道腔内的检测能力的有用性较小。尽管如此，很难将早期胃癌与初学者的非癌性病变区分开，并且具有次级优势间的专业知识 - 观察者协议对于使用M-IEE至关重要。
如今，使用深度机器学习的人工智能（AI）已在胃肠病学方面取得了重大突破，该学术使用梯度下降方法和反向传播来自动提取特定的图像特征。在C-WLI中，鉴定上胃肠道癌的诊断准确性为0.955。可以实时识别息肉，在筛查结肠镜检查中精度为96％。 AI在检测和诊断中显示出了出色的应用。
这项研究旨在通过区分癌症来开发EGC诊断的M-OE辅助模型。
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 80名参与者 |
| 观察模型： | 其他 |
| 时间观点： | 其他 |
| 官方标题： | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 |
| 实际学习开始日期 ： | 2020年7月10日 |
| 估计初级完成日期 ： | 2020年11月30日 |
| 估计 学习完成日期 ： | 2020年12月30日 |
| 小组/队列 |
|---|
| 需要放大的患者内窥镜检查 |
- 计算机辅助诊断工具的诊断效率[时间范围：12个月]计算机辅助诊断工具的灵敏度，特异性和准确性
| 联系人：Yanqing Li，博士 | 86-531-82169236 | liyanqing@sdu.edu.cn |
| 中国，山东 | |
| 山东大学Qilu医院胃肠病学系 | 招募 |
| 吉南，中国山东，250012 | |
| 联系人：Yanqing Li，博士。 MD。 18678827666 liyanqing@sdu.edu.cn | |
| 首席研究员： | Yanqing Li，博士 | 研究首席研究员Qilu医院，山东大学 |
| 追踪信息 | |||||
|---|---|---|---|---|---|
| 首先提交日期 | 2020年9月22日 | ||||
| 第一个发布日期 | 2020年9月24日 | ||||
| 最后更新发布日期 | 2020年9月24日 | ||||
| 实际学习开始日期 | 2020年7月10日 | ||||
| 估计初级完成日期 | 2020年11月30日（主要结果指标的最终数据收集日期） | ||||
| 当前的主要结果指标 | 计算机辅助诊断工具的诊断效率[时间范围：12个月] 计算机辅助诊断工具的灵敏度，特异性和准确性 | ||||
| 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 | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 | ||||
| 官方头衔 | 在光学增强放大内窥镜检查过程中，人工智能在早期诊断胃癌的早期诊断中应用 | ||||
| 简要摘要 | 先前的前瞻性随机对照研究表明，通过放大图像增强的内窥镜检查比传统的白光内窥镜检查，诊断早期胃癌的准确率更高。然而，很难将早期胃癌与初学者的非癌性病变区分开。我们开发了一种新的计算机辅助系统，以帮助内窥镜医生识别早期胃癌在放大光学增强图像中。 | ||||
| 详细说明 | 胃癌是全世界尤其是在亚洲的癌症相关死亡的第三大最常见原因。预测和治疗将以5年的生存率大于90％来治愈该疾病。但是，以白光成像为常规内窥镜检查的敏感性（ C-WLI）在诊断早期胃癌（EGC）的诊断仅为40％。已经开发了放大图像增强的内窥镜（IEE）技术，例如放大窄带成像（M-NBI），并报告了2 RCT报告，即白光成像与M-NBI结合使用可以将敏感性提高到95％。在筛查内窥镜检查中建议使用白光成像检测可疑病变和使用M-IIE技术来诊断早期胃癌的策略。 光学增强（OE）是M-IIE技术之一，是由Hoya Co.（日本东京）开发的。该技术结合了数字信号处理和光学滤镜，以清除粘膜微观面（MS）和微血管（MV）的显示。 OE的优势是克服NBI的黑暗，这导致对全胃肠道腔内的检测能力的有用性较小。尽管如此，很难将早期胃癌与初学者的非癌性病变区分开，并且具有次级优势间的专业知识 - 观察者协议对于使用M-IEE至关重要。 如今，使用深度机器学习的人工智能（AI）已在胃肠病学方面取得了重大突破，该学术使用梯度下降方法和反向传播来自动提取特定的图像特征。在C-WLI中，鉴定上胃肠道癌的诊断准确性为0.955。可以实时识别息肉，在筛查结肠镜检查中精度为96％。 AI在检测和诊断中显示出了出色的应用。 这项研究旨在通过区分癌症来开发EGC诊断的M-OE辅助模型。 | ||||
| 研究类型 | 观察 | ||||
| 学习规划 | 观察模型：其他 时间观点：其他 | ||||
| 目标随访时间 | 不提供 | ||||
| 生物测量 | 不提供 | ||||
| 采样方法 | 非概率样本 | ||||
| 研究人群 | 连续涉嫌早期胃癌并接受光学放大OE内窥镜检查的患者。 | ||||
| 健康）状况 |
| ||||
| 干涉 | 不提供 | ||||
| 研究组/队列 | 需要放大的患者内窥镜检查 | ||||
| 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 | 80 | ||||
| 原始估计注册 | 与电流相同 | ||||
| 估计学习完成日期 | 2020年12月30日 | ||||
| 估计初级完成日期 | 2020年11月30日（主要结果指标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 | 18岁以上（成人，老年人） | ||||
| 接受健康的志愿者 | 不 | ||||
| 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 | NCT04563416 | ||||
| 其他研究ID编号 | 2018sdu-qilu-3 | ||||
| 有数据监测委员会 | 不提供 | ||||
| 美国FDA调节的产品 |
| ||||
| IPD共享声明 | 不提供 | ||||
| 责任方 | 山东大学Yanqing Li | ||||
| 研究赞助商 | 山东大学 | ||||
| 合作者 | 不提供 | ||||
| 调查人员 |
| ||||
| PRS帐户 | 山东大学 | ||||
| 验证日期 | 2020年9月 | ||||
