优化皮肤病诊断:利用在线社区数据,使用对比学习和聚类技术来优化皮肤病诊断
Yue Shen1, Huanyu Li2, Can Sun3
1Simulation of Complex Systems Lab, Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo, Chiba, Japan.
NPJ digital medicine
|February 9, 2024
概括
这项研究开发了一个深度学习模型,使用未注释的在线图像来分类皮肤疾病,达到45.05%的准确性. 该模型对早期皮肤病诊断和潜在的疫情缓解有希望.
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:
- 皮肤疾病存在重大诊断挑战,特别是在资源有限的环境中.
- 互联网健康论坛产生了大量用户共享的皮肤病图像,但数据质量和注释问题阻碍了它们在AI模型开发中的使用.
研究的目的:
- 开发和评估一种深度学习模型,用于使用未注释和粗略注释的在线皮肤病图像来分类常见的皮肤病.
- 评估模型的性能,概括性和可转移到新的皮肤病学任务.
主要方法:
- 使用对比学习方法,从未标记的在线皮肤病图像中学习一般表示.
- 该模型在粗略注释的论坛图像上进行了微调,并使用集群方法与标准化验证图像进一步改进.
- 该模型在经验丰富的皮肤科医生收集的图像数据集和基准数据集上进行了评估.
主要成果:
- 该模型在分类22种常见的皮肤疾病方面实现了45.05%的top-1准确率,比基线模型的表现高出3%.
- 精度提高到49.64%,每个类别有50个验证图像.
- 该模型表现出强大的可转移性,在有限的额外培训数据的情况下,在检测麻疹时达到61.76%的top-1精度.
结论:
- 来自在线论坛的未注释的皮肤病图像可以有效地用于开发诊断AI模型.
- 拟议的深度学习方法表明了早期皮肤病诊断,公共卫生监测和疫情缓解的潜力.
