通过光谱驱动的机器学习来促进临床相关的皮肤瘤诊断
Emil Andersson1, Jenny Hult2, Carl Troein1
1Centre for Environmental and Climate Science, Lund University, Lund, Sweden.
iScience
|April 29, 2024
概括
这项研究引入了一种新的人工智能 (AI) 方法,用于使用高光谱成像和人工神经网络 (ANN) 划分皮肤瘤. 这种方法消除了对地面真相图像的需求,提供了更具临床相关性的诊断工具.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 患者数据的数字化正在改变医疗保健.
- 人工智能和数字成像显示出诊断和决策的前景.
- 自动手术前皮肤瘤划分具有影响力,但受到当前需要基准真相图像的方法的限制.
研究的目的:
- 开发一种新的,临床相关的方法,用于手术前的皮肤瘤自动划分.
- 为了克服当前划线方法中要求地面真相图像的局限性.
主要方法:
- 使用超光谱图像从健康组织和瘤中获取光谱数据.
- 使用人工神经网络 (ANN) 来从光谱数据中生成预测图.
- 应用细分算法,根据ANN预测自动识别瘤边界.
主要成果:
- 这种新的方法成功地划出了皮肤瘤的边界,而不依赖于地面真相图像.
- 在个体患者数据上训练的ANN模型提供了临床相关的方法.
结论:
- 这种使用高光谱成像和ANN的AI驱动的方法为手术前皮肤瘤划分提供了可行的替代方案.
- 这种方法规避了对临床上不切实际的地面真相图像的需求,提高了诊断能力.
