基于机器学习的移动平台的开发和性能,用于视觉确定5种阴茎疾病的病因
Lao-Tzu Allan-Blitz1, Sithira Ambepitiya2, Raghavendra Tirupathi3
1Division of Global Health Equity, Department of Medicine, Brigham and Women's Hospital, Boston, MA.
Mayo Clinic proceedings. Digital health
|April 10, 2025
概括
一个新的机器学习算法使用视觉数据准确地分类了五种常见的阴茎疾病. 这种人工智能工具旨在改善获得性健康服务的机会,并解决医疗保健差异.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 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:
- 性健康服务的差异限制了对阴茎疾病及时诊断和治疗的机会.
- 阴茎状况的视觉分类可能具有挑战性,需要专门的专业知识.
- 移动健康应用程序提供了一个潜在的平台,可以弥合医疗保健准入方面的差距.
研究的目的:
- 开发和评估五种常见的阴茎疾病的机器学习 (ML) 视觉分类算法.
- 通过提供可访问的诊断工具来解决性健康服务中的差异.
- 评估ML模型在从图像中对阴茎疾病进行分类方面的性能.
主要方法:
- 为五种阴茎疾病 (疹病变,梅毒病,平衡炎,阴茎癌,生殖器) 创建了原始和增强图像的数据集.
- 一个U-Net架构模型用于语义像素细分,一个Inception-ResNet v2神经架构将像素分类为患病或非患病.
- 该模型对91%的图像进行了训练,并对剩余的9%进行了验证,其性能指标包括回忆,精度,特异性和F1分数. 使用GradCAM++生成了一个突出地图.
主要成果:
- 在正确分类阴茎疾病图像方面,ML模型实现了0.944的整体准确性.
- 验证数据集包括239张图像,具体分布为生殖器 (18.8%),简单疹病毒感染 (18%),阴茎癌 (12.1%),平衡炎 (16.7%),梅毒病 (15.5%) 和非患病图像 (18.8%).
- 移动应用平台在2023年7月至10月期间记录了2640个独特的提交,美国 (62%),新加坡 (14.6%),加拿大 (9.4%),英国 (9.2%) 和越南 (4.8%) 显著使用.
结论:
- 开发的机器学习模型在分类五种常见的阴茎疾病方面表现出色.
- 由人工智能驱动的视觉分类算法在改善阴茎疾病的诊断可访问性方面表现出有希望.
- 将该模型集成到移动应用平台中可以帮助缓解全球性健康护理获取差异.
