慢性創傷画像における人工知能アルゴリズムを用いた肉芽増殖組織の検出
David Reifs1, Lorena Casanova2, Ramon Reig-Bolaño2
1Data and Signal Processing Research Group, University of Vic, Vic, Spain.
まとめ
本研究では、慢性創傷における肉芽増殖の早期検出のための深層学習ツールを紹介します。AIモデルは肉芽増殖組織を正確に区別し、タイムリーな臨床介入を支援し、創傷治癒成績を向上させます。
科学分野:
- 医療技術
- ヘルスケアにおける人工知能
- 創傷治癒研究
背景:
- 慢性創傷における肉芽増殖は、治癒不全を示し、回復の遅延と感染リスクの増加につながります。
- 肉芽増殖の早期誤認は、タイムリーで効果的な臨床介入を妨げます。
- 現在の肉芽増殖の診断方法は、精度が低い可能性があり、治療効果に影響を与えます。
研究 の 目的:
- 肉芽増殖組織と非肉芽増殖組織を区別するための深層学習ベースの方法論を開発および評価すること。
- 肉芽増殖の特定における様々な深層学習アーキテクチャのパフォーマンスを評価すること。
- 肉芽増殖の早期検出を支援するツールを提供すること。
主な方法:
- 2つのソースから収集された6235個の創傷画像データセットをコンパイルし、クラスのバランスを確保しました。
- 5つの深層学習アーキテクチャ（ViT、VGG16、RepVGG、MobileViT、RepGhost）を転移学習を用いて評価しました。
- パフォーマンスは、精度と受信者操作特性曲線下面積（AUC）によって測定されました。
主要な成果:
- RepGhostモデルは、精度81.4%、AUC 89.4%で最高のパフォーマンスを達成しました。
- RepGhostやMobileViTのような軽量モデルは、モバイルデバイスでの実装に適した高いパフォーマンスを示しました。
- 開発された深層学習手法は、畳み込みニューラルネットワーク（CNN）とトランスフォーマーアーキテクチャの両方を上回りました。
結論:
- 深層学習は、慢性創傷における肉芽増殖の正確かつ早期の検出に有望なアプローチを提供します。
- RepGhostモデルは、創傷管理における臨床応用において significant な可能性を示しています。
- 本研究では、肉芽増殖における深層学習研究に新たな貢献を表す、大規模でバランスの取れたデータセットを使用しました。
