用卷积神经网络对黑色素瘤分类的临床图像贡献的全面分析
Jorge A Rios-Duarte1, Andres C Diaz-Valencia1, Germán Combariza2
1School of Medicine, Universidad de los Andes, Bogotá, Colombia.
概括
用于黑色素瘤分类的深度学习模型使用皮肤镜图像表现最好. 仅在临床图像上训练的模型的准确性较低,而组合图像的优势不太明显.
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:
- 准确的黑色素瘤诊断对于患者的预后至关重要.
- 目前正在开发深度学习模型,以帮助临床医生检测黑色素瘤.
- 临床图像与皮肤镜像对训练这些模型的有用性需要进一步研究.
研究的目的:
- 为了比较卷积神经网络 (CNN) 模型在黑色素瘤分类中的性能.
- 为了评估在临床图像,皮肤镜像和两者的组合上训练的模型.
- 为了确定基于CNN的黑色素瘤分类的最佳图像类型.
主要方法:
- 914个配对的临床和皮肤镜像用于培训,验证和测试.
- 使用Inception-ResNetV2模型进行特征提取和二进制分类.
- 每个CNN类型的20个模型被随机超参数训练,最好的模型通过验证AUC-ROC进行选择.
主要成果:
- 与临床模型 (0.661) 相比,皮肤镜模型实现了明显更高的AUC-ROC (0.869).
- 皮肤镜 (0.799) 和组合 (1,000) 模型的灵敏度最高,而皮肤镜 (0.800) 模型的特异性最高.
- 临床模型在所有指标上表现较差.
结论:
- 用皮肤镜图像训练的CNN模型明显优于仅用临床图像训练的模型.
- 将临床图像添加到皮肤显微镜图像中并没有持续改善黑色素瘤分类性能.
- 皮肤显微镜成像是开发有效的基于CNN的黑色素瘤检测工具的宝贵数据来源.
