通过使用卷积神经网络和数据增强,通过拉曼光谱改善皮肤癌的检测
Jianhua Zhao1,2, Harvey Lui1,2, Sunil Kalia1,3,4
1Photomedicine Institute, Department of Dermatology and Skin Science, University of British Columbia and Vancouver Coastal Health Research Institute, Vancouver, BC, Canada.
Frontiers in oncology
|July 4, 2024
概括
深度神经网络与拉曼光谱学相结合,显著提高了皮肤癌检测准确度. 数据增强进一步提高了诊断性能,超过了用于识别癌症和良性皮肤病变的传统方法.
科学领域:
- 皮肤病学 皮肤病学
- 医学光谱学 医学光谱学
- 人工智能在医学中的应用
背景情况:
- 拉曼光谱已经显示出皮肤癌检测的前景.
- 之前的研究证实了它的良好的灵敏度和特异性.
- 这项研究探讨了通过深度神经网络增强检测.
研究的目的:
- 确定结合深度神经网络和拉曼光谱能否改善皮肤癌的检测.
- 评估数据增强对诊断性能的影响.
- 将深度学习模型与传统机器学习方法进行比较.
主要方法:
- 分析了731种皮肤病变的拉曼光谱 (340种癌症/癌前病变,391种良性病变).
- 为光谱分类开发了一维卷积神经网络 (1D-CNN).
- 实现了数据增强 (噪声,转移,GAN) 并与PLS-DA,PC-LDA,SVM,LR进行了比较.
主要成果:
- 数据增强将所有模型的ROC AUC提高了2-4%.
- 在增强后,1D-CNN实现了0.909±0.021的ROC AUC,略高于传统方法.
- 增强可以在杂或转移的光谱上提高模型性能.
结论:
- 数据增强对于增强基于拉曼光谱的皮肤癌检测至关重要.
- 深度学习,特别是1D-CNN,比传统的机器学习提供了轻微的优势.
- 综合方法显示了改善临床诊断准确性的潜力.
