一种用于机器学习的全身摄影注释协议,用于分析皮肤表型和病变分类的机器学习

科学领域:

• 皮肤病学和人工智能 (AI)
• 医学成像和机器学习
• 生物信息学和基因组学

背景情况:

• 人工智能从皮肤显微镜图像中有效地分类皮肤癌,但与分布外的病变作斗争,缺乏临床背景.
• 全身摄影 (TBP) 提供了整体患者分析的潜力,但缺乏AI的标准化注释和隐私协议.
• 现有的皮肤癌人工智能模型缺乏全面的患者数据集成,限制了临床适用性.

研究的目的:

• 开发一个全面的数据集和人工智能框架,用于使用全身摄影 (TBP) 进行整体皮肤癌风险评估.
• 通过结合临床背景和患者数据来解决当前AI在皮肤病变分类方面的局限性.
• 建立皮肤病学机器学习中TBP图像注释和患者隐私标准.

主要方法:

• 从澳大利亚和西班牙招募了500名患者进行TBP,病史和DNA采样,将元数据应用于DICOM图像.
• 实施了使用深度学习进行病变检测和分类的皮肤图像的两步注释过程.
• 开发了用于病变检测,细分,分类,3D绘图,变化检测,风险分析的算法,并纳入了可解释的AI (XAI).

主要成果:

• 为机器学习创建一个全面的,匿名的TBP图像注释数据集.
• 在皮肤癌监测中开发AI算法进行整体风险评估和患者分层.
• 一个公开发布的数据集和国际挑战,以刺激TBP数据的算法开发.

结论:

• 经过验证的基于人工智能的工具将帮助临床医生进行整体风险评估和对皮肤癌患者的监测.
• 开发的框架和数据集将推动皮肤病学中的AI应用,提高诊断准确性和患者护理.
• 结合临床背景和TBP数据,增强AI更可靠的皮肤癌风险分层的能力.