通过使用校准的临床图像进行卷积神经网络分析,自动分类hidradenitis suppurativa疾病严重程度

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 传统上,评估状腺炎 (HS) 严重程度依赖于手动的病变计数,这耗时且容易出现错误.
• 本研究探讨了机器学习应用于临床智能手机图像的潜力,用于自动化HS严重程度分类.

研究的目的:

• 开发和验证一种机器学习模型,使用智能手机图像自动分类HS疾病严重程度.
• 评估模型追踪疾病动态和定位受影响皮肤区域的能力.

主要方法:

• 从777张临床智能手机图像中创建了一个由7,675张图像组成的合成数据集.
• 卷积神经网络 (CNN) 用于HS严重程度分类 (0-3级) 和疾病动态评估.
• 实施了U-NET算法,用于自动定位患病皮肤区域.

主要成果:

• 在区分无/轻度和中度/重度的HS时,CNNs获得了78%的准确性 (AUC 0.85).
• 该模型准确地分类了IHS4严重性得分,准确度为72% (AUC为0.84-0.89).
• 该U-NET算法在病变定位中显示了88.1%的像素精度.

结论:

• 机器学习模型可以有效地使用智能手机图像对HS严重程度进行分类并跟踪疾病进展.
• 这种方法为快速,可靠和可重复的HS严重性评估提供了一个有希望的途径.
• 需要进一步的研究来解决有关纹身皮肤,毛发皮肤和各种皮肤光型的局限性.