黑色素瘤检测问题:通过人类和人工智能的组合开发半监督的深度学习算法
Xinyuan Zhang1, Ziqian Xie1, Yang Xiang1
1School of Biomedical Informatics, The University of Texas Health Science Center at Houston, Houston, TX, United States.
JMIR dermatology
|August 26, 2023
概括
这项研究引入了一种新的半监督模型用于皮肤病变诊断,该模型整合了三点检查清单,并自动化了功能注释. 该模型提高了黑色素瘤分类的准确性,并展示了更准确,可解释的AI驱动皮肤病学的潜力.
科学领域:
- 皮肤病学中的人工智能
- 机器学习用于医学诊断
- 计算机辅助诊断系统 计算机辅助诊断系统
背景情况:
- 目前用于皮肤病变识别的AI算法主要使用图像数据,忽视了像3点检查清单这样的既定诊断规则.
- 将人类专业知识和诊断过程集成到AI中,对于提高皮肤病学诊断准确性和可靠性至关重要.
研究的目的:
- 开发一种半监督的皮肤病变诊断模型,该模型包含皮肤镜特征和3点检查清单评分规则.
- 为了自动化特征注释的过程,提高AI驱动的皮肤病学分析的效率和准确性.
主要方法:
- 一个半监督模型被训练在一个小的注释数据集,结合3点检查列表使用排名损失函数来增强分类.
- 使用大量未标记的数据集来完善该模型自动分类皮肤病变及其特征的能力.
- 该模型使用5倍交叉验证评估了黑色素瘤分类性能.
主要成果:
- 整合3点检查清单使黑色素瘤分类准确度从0.8867提高到0.8943 (平均表现).
- 该模型成功地自动检测了三点检查清单中的三个关键皮肤学特征,实现了高AUC值 (0.8380,0.9036,0.8444).
- 在特定情况下,人工智能模型在检测特征方面的表现超过了人类注释者的表现.
结论:
- 拟议的半监督学习框架通过检测皮肤学特征和简化注释来实现皮肤疾病自动诊断.
- 这种方法有效地将临床知识与人工智能算法结合起来,从而获得更准确和可解释的诊断结果.
- 该框架有可能在皮肤病学中的各种诊断场景中得到广泛应用.
关键词:
三点检查清单 三点检查清单算法算法是一种算法.自动诊断是自动诊断的方法.深度学习是一种深度学习.皮肤学 皮肤学皮肤显微镜的图像黑色素瘤是一种黑色素瘤.黑色素瘤的分类方法半监督学习 半监督学习皮肤疾病 皮肤疾病皮肤病变 皮肤病变更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
