DL-CNNは皮膚科医の診断の正確さを向上させることができるのか?

科学分野:

• 皮膚科
• 人工知能
• 医療診断

背景:

• ディープ・ラーニング・コンボリューション・ニューラル・ネットワーク (DL-CNN) は,制御された環境で高い診断精度を示している.
• 珍しい皮膚腫瘍 (RST) に対するDL-CNNの診断性能は十分に確立されていません.
• 珍しい皮膚腫瘍を診断する際に 皮膚科医のAI支援を評価することは 極めて重要です

研究 の 目的:

• 稀な皮膚腫瘍 (RST) のバイナリDL-CNNの診断性能を評価する.
• 皮膚科医の診断の正確性に対するDL-CNNの予測の影響を評価する.
• DL-CNNのパフォーマンスを 皮膚科医の国際委員会と比較する

主な方法:

• 組織学的に確認されたRSTの200の皮膚顕微鏡画像を含む横断的な読者研究.
• 画像評価には,市場認可のバイナリDL-CNN (Moleanalyzer-Pro) が使用されました.
• 皮膚科医は,さまざまなレベルの情報 (皮膚検査,臨床データ,DL-CNN予測) を含む画像を評価した.

主要な成果:

• DL-CNNは66. 7%の感度,56. 4%の特異性,および0. 634のROC-AUCを達成した.
• 皮膚科医はDL-CNNを大幅に上回り,より高い感度 (80. 3%),特異性 (65. 1%) およびROC-AUC (0. 839) を達成しました.
• DL-CNN統合により皮膚科医の感度がわずかに上昇したが,特異性は低下し,全体的なROC-AUCは変化しなかった.

結論:

• 評価されたDL-CNNは,稀な皮膚腫瘍 (RST) の診断性能が限られていることを示した.
• 希少な皮膚腫瘍の最適な診断の正確性には,完全な臨床状況が不可欠である.
• RST のための DL-CNN のパフォーマンスの改善は,強化されたトレーニングデータセットを必要とします.