用深度学习检测皮肤反应在皮肤上贴片测试:预处理和模式性能评估
Ioannis A Vezakis1, George I Lambrou1,2,3, Aikaterini Kyritsi4
1Biomedical Engineering Laboratory, School of Electrical & Computer Engineering, National Technical University of Athens, 9 Iroon Polytechniou St., 15780 Athens, Greece.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
深度学习通过使用多模式皮肤图像准确地识别导致过敏性接触性皮肤炎 (ACD) 的过敏原. 这种人工智能方法提高了诊断速度和精度,减少了临床医生的工作量.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 过敏接触性皮肤炎 (ACD) 是通过皮肤上贴片检测来诊断的,这是当前的黄金标准.
- 补丁测试受到观察者偏见和高资源需求的限制.
- 深度学习为自动化ACD过敏原识别提供了潜力.
研究的目的:
- 调查深度学习分类器用于自动化ACD过敏原识别的可行性.
- 开发和评估使用多模式皮肤成像数据的深度学习方法.
- 提高 ACD 检测的诊断准确性和效率.
主要方法:
- 通过使用Antera 3D®相机收集了来自200名患者的1579张多模式皮肤图像的数据集.
- 开发了一个深度学习分类器,结合了保留上下文的预处理技术.
- 利用彩色图像和血红蛋白度图的组合进行分析.
主要成果:
- 深度学习方法实现了高诊断性能.
- 显示了超过86%的回忆潜力和94%的特异性,用于识别皮肤反应.
- 彩色和血红蛋白数据的联合使用提高了诊断准确度.
结论:
- 深度学习显示了自动化ACD过敏原识别的前景.
- 提出的方法可以导致更快,更准确的ACD诊断.
- 这种人工智能驱动的方法可以显著减少临床医生的工作量.
