基于皮肤显微镜的放射学有助于区分基底细胞癌和行动性角质瘤:基于207组合机器学习计算框架的大规模现实研究
Hewen Guan1, Qihang Yuan2, Kejia Lv1
1Department of Dermatology, First Affiliated Hospital of Dalian Medical University, Dalian, Liaoning, China.
Journal of Cancer
|May 31, 2024
概括
机器学习模型有效地从皮肤镜像中区分基底细胞癌 (BCC) 和动态角质瘤 (AK). 开发的XGBoost-Lasso模型显示高灵敏度,有助于临床决策和减少活检.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 区分基底细胞癌 (BCC) 和行为性角质瘤 (AK) 对于有效治疗至关重要.
- 皮肤镜成像为皮肤病变评估提供了一种非侵入性方法.
- 精确的区分可以防止不必要的侵入性手术.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于使用皮肤镜图像将BCC与AK区分开来.
- 在这个诊断任务中评估集成机器学习算法的性能.
主要方法:
- 来自公开 (HAM10000) 和专有 (DAYISET 1) 数据集的904张皮肤镜像的汇编.
- 开发用于图像特征分析的深度学习模型.
- 整合和交叉验证15个机器学习算法,形成207个组合.
- 最终的模型选择:XGBoost与拉索回归集成.
主要成果:
- 在XGBoost-Lasso模型中,训练套件的灵敏度很高 (AUC为1.000).
- 在三个验证组中观察到稳定的性能,平均AUC为0.695.
- 该模型有效地区分了基底细胞癌和行动性角质瘤.
结论:
- 机器学习算法可以创建强大的模型,用于BCC和AK的差异诊断.
- 开发的模型显示了提高临床决策效率的潜力.
- 这种方法可以减少不必要的活检的需要,并指导治疗策略.
