基底细胞癌的诊断与深度学习和Telangiectasia的融合特点
Akanksha Maurya1, R Joe Stanley2, Hemanth Y Aradhyula3
1Missouri University of Science &Technology, Rolla, MO, 65209, USA.
Journal of imaging informatics in medicine
|February 9, 2024
概括
这项研究通过将深度学习与皮肤镜图像中的telangiectasia手工制作的特征融合起来,提高了基底细胞癌 (BCC) 诊断的精度,达到97.2%的精度. 这种方法改善了诊断指标,并帮助皮肤科医生.
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:
- 深度学习 (DL) 显示出从皮肤镜图像诊断皮肤癌的前景.
- 现有的DL模型往往缺乏临床见解,限制了准确性和可解释性.
- 长膜切除是基底细胞癌 (BCC) 诊断的一个关键指标.
研究的目的:
- 开发一种结合DL和手工制作特征的新型融合技术,以改进BCC分类.
- 通过结合皮肤科医生相关的特征,如telangiectasia,提高诊断准确性和可解释性.
主要方法:
- 使用集体学习的融合技术结合了来自U-Net细分的telangiectasia的手工特征和来自整个病变图像的EfficientNet-B5 DL特征.
- 纳入特征从telangiectasia和周边地区,细化与特征重要性分析.
- 通过检查 telangiectasia 周围的区域来识别特征,利用弱注释.
主要成果:
- 对BCC与非BCC实现了97.2%的二进制分类准确度,比DL-only模型提高了1.3%.
- 显示了显著的指标改进:灵敏度+3.7%,特异性+1.5%,精度+1.5%,AUC为0.99.
- 在准确性和精确性方面表现优于三个基准技术.
结论:
- 新的融合技术显著提高了BCC诊断的准确性和精度.
- 结合特定的临床特征,如telangiectasia可以提高DL模型的性能.
- 建议对DL进行进一步的研究,以检测单个皮肤镜特征.
