基于深度学习的牛皮评估:利用临床试验成像来准确预测牛皮区域严重性指数

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习在皮肤病学中的应用
• 临床试验数据的利用.

背景情况:

• 临床试验数据集往往不同于用于机器学习模型培训的数据集.
• 牛皮治疗指南依赖于临床试验结果.
• 利用了Ultima 2试验中牛皮患者的纵向成像数据.

研究的目的:

• 开发一个图像处理工作流程来评估牛皮的严重程度.
• 创建一个机器学习模型来分析临床试验成像数据.
• 评估模型追踪治疗疗效的能力.

主要方法:

• 开发了"一步PASI"框架,用于同时检测身体和病变,并对病变的严重程度进行分类.
• 将多个身体区域的临床照片集成到一个单一的模型管道中.
• 采用了145个深度卷积神经网络模型的集体进行分组分层交叉验证.

主要成果:

• 在各种疾病严重程度上,表现最好的模型实现了平均绝对误差为3.3和高一致性 (林的CCC=0.86,皮尔森的r=0.90).
• 时间序列分析显示,PASI预测准确地反映了治疗期间医生得分.
• 该模型表明,没有系统地高估或低估PASI得分或基线的百分比变化.

结论:

• 图像处理和深度学习可以将临床试验数据转化为准确的机器学习模型.
• 这种方法有助于评估治疗疗效.
• 开发的框架显示了可扩展和准确的临床评估的潜力.