利用人工智能和患者元数据开发一种新的皮肤癌检测风险评分
Shafiqul Islam1, Gordon C Wishart2,3, Joseph Walls2,4
1School of Computer Science and Electronic Engineering, University of Essex, Colchester, UK. md.shafiqul.islam@essex.ac.uk.
Scientific reports
|September 6, 2024
概括
使用患者元数据的人工智能模型发现了新的"C4C风险因素"来检测所有皮肤癌症,其性能优于现有的方法. 这一进步有望改善可疑皮肤病变的早期检测和转诊指南.
科学领域:
- 皮肤病学 皮肤病学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 包括黑色素瘤在内的皮肤癌是全球重要的健康问题.
- 早期发现可疑的皮肤病变对于改善生存率至关重要.
- 目前的转介方法,如7点检查清单 (7PCL),在范围和数据利用方面存在局限性.
研究的目的:
- 研究人工智能 (AI) 模型,利用广泛的患者元数据来检测所有皮肤癌亚型.
- 识别超出7PCL的新风险因素,以改善可疑皮肤病变的检测.
- 为了比较新的AI衍生风险因素与现有方法的性能.
主要方法:
- 开发了一个人工智能框架,结合了五个机器学习模型.
- 利用患者元数据,包括来自53,601个皮肤病变的23个属性.
- 确定了七个新的风险因素 ("C4C风险因素") 和一个"C4C风险评分".
主要成果:
- 与7PCL和威廉姆斯风险因素相比",C4C风险因素"在检测可疑皮肤病变方面取得了更高的灵敏度和特异性.
- 仅仅"C4C风险评分"的表现明显超过了7PCL和威廉姆斯的风险评分.
- 将"C4C风险因子"与7PCL和威廉姆斯风险因子融合在一起,产生了最高的检测性能.
结论:
- 新发现的"C4C风险因子"和"C4C风险评分"显示出在所有皮肤癌亚型中增强可疑皮肤病变检测的巨大潜力.
- 这些人工智能衍生因素提供了一个比现有方法更全面的方法.
- 未来与图像数据的整合预计将进一步提高AI模型的性能,并为更新的临床转诊指南提供信息.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.3K
