卷积神经网络在皮肤镜黑色素瘤识别中的一致性:关于增强智能陷的前性现实研究
E V Goessinger1, S E Cerminara1, A M Mueller1
1Department of Dermatology, University Hospital Basel, Basel, Switzerland.
Journal of the European Academy of Dermatology and Venereology : JEADV
|December 29, 2023
概括
现实世界的图像变化影响卷积神经网络 (CNN) 黑色素瘤检测. 平均三个风险分数提高了一致性,交叉验证提高了CNN在临床使用中的稳定性.
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:
- 深度学习CNN在黑色素瘤检测方面表现有前途,在受控环境中表现优于皮肤科医生.
- 现实世界皮肤镜图像转换对CNN强度的影响尚未得到充分理解.
研究的目的:
- 评估两个商业CNN对黑色素瘤风险评估的一致性.
- 在皮肤病学中为CNNs的临床应用提供建议.
主要方法:
- 一项比较队列研究,涉及66名患者的116个病变.
- 两个CNN (CNN-1,CNN-2) 分类了皮肤镜图像,并重复捕获以评估可靠性.
- 使用变化和类内相关系数来测量可靠性.
主要成果:
- 在初始恶性得分的良性病变中,CNN-1显示出更好的重复性;在良性得分的良性病变中,CNN-2表现出色.
- 两种CNN对初始恶性风险但良性评估的病变的得分一致性都较低.
- 平均三个风险分数提高了尊严评估的敏感性 (CNN-1: 94%;CNN-2: 89%).
- 类内相关系数表明两种CNN的可靠性中等至良好.
结论:
- 用户诱导的图像变化可以显著影响CNN分类的准确性.
- 建议临床应用三种风险评分的平均值.
- 通过与重复图像集的交叉验证来提倡CNN的稳定性优化.
