マルチモダルの大型言語モデルを用いた色素皮膚病変の多種別分類

科学分野:

• 皮膚科における人工知能
• 医学画像分析
• コンピューター病理学

背景:

• 肌の色素の損傷は,標準的な写真の視覚的類似性のために診断上の課題を提示します.
• マルチモダル大型言語モデル (MMLLM) は,特にリソースが限られた環境では,画像ベースの診断補助として潜在性を示しています.
• 皮膚顕微鏡検査は 効果的ですが 全員が利用できるわけではありません 代替診断手段の必要性を 強調しています

研究 の 目的:

• 臨床写真のみを用いた8つの一般的な肌の色素疾患の分類における微調整MMLLMの精度を評価する.
• 皮質病変の非皮膚検査診断支援ツールとしてのMMLLMの可能性を評価する.
• 皮膚病変の予備的な評価のためのスケーラブルなソリューションを提供する.

主な方法:

• マルチモダルの大きな言語モデル (InstructBLIP-flan-t5-xl) は,ピグメントされた皮膚病変画像の979のキュレーションされたデータセットを使用して微調整されました.
• データセットには8種類の病変が含まれていた. 獲得した皮膚メラノサイトーシス,基礎細胞癌,エフェリス,悪性メラノーマ,メラズム,ネブス,セボレア性角膜症,太陽レンチゴ.
• モデルの性能はマクロ平均感度,特異性,F1スコア,およびROC AUCを使用して評価され,訓練中に病変のラベルが隠された.

主要な成果:

• 微調整されたMMLLMは,マクロ平均感度86.0%,特異性98.2%,F1スコア0.86を達成した.
• 受信器の動作特性曲線 (ROC AUC) 以下の面積は,8つの病変クラスのうち6つで0. 95を超えました.
• 悪性メラノーマは高い性能を示し (94%の感度,0. 98のROC AUC),ネブスは感度が低い (78%,0. 89のROC AUC).

結論:

• 精密調整されたMMLLMは,臨床写真のみを使用して一般的な色素の皮膚病変を正確に分類できます.
• このAI駆動的なアプローチは迅速な診断支援を提供し,特に皮膚検査にアクセスできない環境では価値があります.
• 将来の研究は,データセットの多様性を拡大し,マルチセンターの検証を行い,実際の臨床的有用性を評価することに焦点を当てるべきです.