基于对黑色素细胞病变不对称性进行表征的算法与用于黑色素瘤检测的卷积神经网络集团之间的融合
Jules Collenne1, Jilliana Monnier2, Rabah Iguernaissi1
1Computer Science and Systems Laboratory, CNRS UMR 7020, Aix-Marseille University, Marseille, France.
The Journal of investigative dermatology
|January 31, 2024
概括
这项研究将皮肤科医生的专业知识与用于黑色素瘤检测的人工神经网络相结合. 结合这些方法可以显著提高诊断准确度,帮助早期识别黑色素瘤.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 黑色素瘤构成了全球卫生挑战,早期诊断对于降低死亡率至关重要.
- 准确的黑色素瘤诊断仍然很困难,即使是经验丰富的皮肤科医生.
- 当前的计算机辅助诊断系统缺乏透明度,阻碍了医学界的接受.
研究的目的:
- 开发一个更可解释,更准确的计算机辅助系统来检测黑色素瘤.
- 将手工制作的专家特征集成到一个人工神经网络中,模仿皮肤科医生对颜色不对称性的评估.
- 将这种新方法的性能与最先进的卷积神经网络及其融合进行比较.
主要方法:
- 设计了代表病变颜色不对称性的手工专家特征.
- 一个人工神经网络 (ANN) 使用这些不对称性特征进行了训练,用于神经瘤与黑色素瘤的分类.
- 对国际皮肤成像协作2019数据集中的7个卷积神经网络 (CNN) 的集合进行了性能评估.
- 结合ANN和CNN预测的融合方法被实施.
主要成果:
- 基于不对称性特征的ANN实现了0.873的曲线下的面积 (AUC),90%的灵敏度和67%的特异性.
- 美国有线电视新闻 (CNN) 组合实现了卓越的性能,AUC为0.938,灵敏度为91%,特异性为82%.
- 融合方法显示了最高的性能,产生AUC为0.942,92%的灵敏度和82%的特异性.
结论:
- 将皮肤科医生的专业知识 (通过不对称性特征) 与CNN相结合,可以显著提高黑色素瘤检测的准确性.
- 这种混合方法有望改善早期黑色素瘤诊断,并鼓励跨学科的合作.
- 这些发现支持开发透明和有效的AI工具,用于皮肤病的临床应用.
