机器学习方法的开发,应用和实用性,用于黑色素瘤和非黑色素瘤损伤分类,使用计数盒碎形维度

科学领域:

• 皮肤病学和计算病理学
• 医学信息学和人工智能
• 医学中的数学建模.

背景情况:

• 黑色素瘤的诊断可以是主观的和侵入性的,而他的病理学是当前的黄金标准.
• 需要使用非侵入性,准确和高效的方法来早期检测皮肤病变.
• 折叠性,复杂性的度量,在皮肤病诊断中具有潜力,但尚未用于AI.

研究的目的:

• 评估碎形维度 (FD) 在分类黑色素瘤和非黑色素瘤皮肤病变中的实用性.
• 开发和评估使用FD进行自动化皮肤病变分类的无监督机器学习模型.
• 探索FD作为皮肤病变歧视决策参数的潜力.

主要方法:

• 分析了来自国际皮肤成像协作数据集的39,270种皮肤病变.
• 计算每个损伤的盒子计数碎形尺寸.
• 使用FD值实现无监督机器学习模型 (PCA,代K-means).

主要成果:

• Fractal 维度值单独显示了良性/恶性和黑色素瘤/非黑色素瘤病变之间的显著分离 (敏感度~72%,特异性~50%).
• 基于FD的无监督AI模型实现了大约80%的损伤类型的分类准确度.
• 转移性与非转移性黑色素瘤的分类效率较低,可能是由于样本大小的限制.

结论:

• 碎形维度是开发无监督人工智能模型的可行度量,用于有效地分类皮肤病变.
• 基于FD的决策算法可以帮助区分皮肤病变.
• 这种方法为改善黑色素瘤检测和分类提供了一个有希望的非侵入性策略.