黑色素瘤布雷斯洛厚度分类使用集团基础的知识蒸与半监督的卷积神经网络

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 黑色素瘤是一个重大的全球健康挑战,导致90%以上的皮肤癌死亡.
• 即使对于专家来说,也很难通过皮肤镜来准确地区分in situ和侵入性黑色素瘤.
• 医学图像分析中的人工智能 (AI) 提供了支持皮肤科医生的诊断决策的潜力.

研究的目的:

• 训练和评估深度学习模型,以在现场对入侵性黑色素瘤进行分类.
• 评估AI模型来预测布雷斯洛厚度,这是一个关键的黑色素瘤预后因素.
• 为了比较监督和半监督学习方法在黑色素瘤诊断中的有效性.

主要方法:

• 利用四个不同的数据集进行训练和评估深度学习模型.
• 在半监督学习中采用多教师合体知识蒸方法.
• 实施了分层的5倍交叉验证方案,以进行可靠的评估.

主要成果:

• 半监督学习模型在黑色素瘤分类和布雷斯洛厚度预测方面表现优于监督模型.
• 最好的半监督模型在in situ与侵袭性黑色素瘤分类方面实现了0.8547的AUC.
• 在外部测试组中,半监督方法在所有分类任务中表现出卓越的性能.

结论:

• 半监督学习显著提高了AI模型的性能,用于黑色素瘤分类和厚度预测.
• 人工智能驱动的诊断系统可以作为医疗专业人员的有价值的第二意见或分拣工具.
• 进一步开发皮肤镜中的AI可以提高黑色素瘤的诊断准确性和患者的治疗结果.