对皮肤损伤模式解码皮肤显微镜图像的放射学和深度学习分析

科学领域:

• 皮肤病学和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 皮肤病变的非侵入性诊断对于早期发现黑色素瘤等疾病至关重要.
• 传统的诊断方法可能受到主观性和可访问性的限制.
• 人工智能和图像分析方面的进步为改善诊断准确性提供了潜力.

研究的目的:

• 评估混合深度学习和放射学模型的有效性,用于使用皮肤镜图像诊断皮肤病变.
• 整合患者元数据与成像分析,以提高诊断性能.
• 将混合模型的性能与现有的分类方法进行比较.

主要方法:

• 使用了国际皮肤成像协作 (ISIC) 数据集 (2016-2020年) 包含各种皮肤病变.
• 开发了一种混合模型,将深度学习与全面的放射学特征提取相结合.
• 使用广泛的图像特征和患者元数据量化皮肤病变模式.
• 通过使用二进制和多类框架,将该模型与七种ISIC 2020挑战方法进行了比较.

主要成果:

• 混合模型在区分良性病变和恶性病变方面取得了卓越的性能.
• 在接收器运行特征曲线 (AUROC) 下获得高分的区域:99% (内部ISIC 2018),95% (济南数据集) 和96% (龙华数据集).
• 在数据集中表现出高灵敏度 (97.6%,93.9%,96.0%) 和特异性 (98.4%,96.7%,96.9%).

结论:

• 放射学和深度学习的整合有效地捕捉了皮肤病变的异质性和模式表达.
• 这种混合方法为准确的皮肤病变诊断提供了一个有希望的非侵入性工具.
• 这些发现支持人工智能驱动皮肤镜像分析的潜力,以改善皮肤病治疗.