多模式方法用于区分各种临床形式的基底细胞癌和良性瘤在体内生殖

科学领域:

• 皮肤病学和医学成像学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 准确的皮肤病变分类对于有效的皮肤癌查至关重要.
• 区分基底细胞癌 (BCC) 和良性瘤需要高度的准确性和解释性.
• 现有的方法可能缺乏对BCC.的不同临床表现所需的全面分析.

研究的目的:

• 开发和评估一种多式查方法,以区分基底细胞癌 (BCC) 和良性瘤的临床形式.
• 整合分散反射光谱,光学连贯性断层扫描和高频超声数据.
• 使用机器学习算法来基于衍生参数进行分类.

主要方法:

• 综合扩散反射光谱 (DRS),光学连贯断层扫描 (OCT) 和高频超声波 (HFUS).
• DRS分析了黑色素,红血,血红蛋白和光谱斜率 (650-800 nm).
• 采用了统计纹理分析;HFUS评估了瘤形状参数 (面积,周长,圆度).
• 在这些多模式参数上训练了一种机器学习算法.

主要成果:

• 多模式算法实现了70.6%的灵敏度和95.9%的特异性,用于区分各种BCC形式和良性瘤.
• 在区分BCC与良性瘤 (无论临床形式) 时,灵敏度达到89.1%,特异性达到95.1%.
• 在这两项分类任务中,报告了高F1分数和工会值的平均交叉值.

结论:

• 拟议的多模式方法有效地区分了基底细胞癌与良性瘤.
• 通过将光谱和成像数据与机器学习相结合,提高了分类准确性.
• 这种方法有可能提高皮肤癌查的准确性和可解释性.