深度学习与光学连贯断层扫描用于黑色素瘤识别和风险预测
Pei-Yu Lai1, Tai-Yu Shih1, Yu-Huan Chang1
1Institute of Biophotonics, National Yang Ming Chiao Tung University, Taipei, Taiwan.
Journal of biophotonics
|October 27, 2024
概括
这项研究开发了一个卷积神经网络 (CNN),用于使用光学连贯断层扫描 (OCT) 成像进行早期黑色素瘤检测. 人工智能模型在识别黑色素瘤和分配风险得分方面取得了高准确性,有助于临床诊断.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 皮肤病学 皮肤病学
背景情况:
- 恶性黑色素瘤的发病率正在上升,需要先进的诊断工具.
- 目前黑色素瘤的非侵入性成像技术通常依赖于皮肤镜像.
- 很少有研究利用前性数据集来开发黑色素瘤诊断模型.
研究的目的:
- 开发和评估用于黑色素瘤识别和风险预测的卷积神经网络 (CNN).
- 为了利用光学连贯断层扫描 (OCT) 成像用于黑色素瘤诊断.
- 评估CNN在动物模型的纵向数据上的表现.
主要方法:
- 开发CNN模型用于图像分析.
- 应用CNN对光学连贯断层扫描 (OCT) 图像的小鼠皮肤.
- 在四种动物模型上进行了纵向测试:黑色素瘤,失塑性神经和对照组.
主要成果:
- 在对黑色素瘤与健康组织进行分类时,CNN实现了高灵敏度 (0.99) 和特异性 (0.98).
- 该模型成功地根据黑色素瘤概率分配了风险得分.
- 准确的分类和风险分层被证明在未来的数据集.
结论:
- 开发的CNN显示了早期黑色素瘤检测和使用OCT成像进行风险分层的巨大潜力.
- 这种人工智能驱动的方法可能会改善黑色素瘤的临床管理.
- 基于OCT的CNN模型为非侵入性皮肤癌诊断提供了一个有希望的途径.
