解锁响应和不响应的签名:一种转移学习方法,用于皮肤莱什曼病变的自动分类
Mehdi Bamorovat1, Iraj Sharifi1, Amirhossein Tahmouresi2
1Leishmaniasis Research Center, Kerman University of Medical Sciences, Kerman, Iran.
Transboundary and emerging diseases
|April 30, 2025
概括
这项研究开发了一种深度学习模型,使用病变图像自动检测皮肤雷什曼病 (CL) 的治疗反应. 该模型显示,通过实现更快,数据驱动的治疗决策,有望改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 皮肤病学 皮肤病学
背景情况:
- 皮肤雷什曼病 (CL) 是一个主要的全球健康问题,区分治疗反应对于患者的结果至关重要.
- 目前的诊断方法缺乏基于图像的自动化方法来评估CL病变反应.
- 这种差距阻碍了及时有效的治疗调整.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于在皮肤莱什曼病 (CL) 病变中自动检测治疗反应.
- 调查转移学习技术在解决CL图像分析有限样本大小方面的有效性.
- 建立基于图像的诊断工具,可以帮助CL患者的临床决策.
主要方法:
- 使用了102张CL损伤图像的数据集,均为培训,测试和验证.
- 使用转移学习微调预训练深度学习网络 (DenseNet161,VGG16,ResNet18).
- 基于准确性,灵敏性和特异性评估模型性能.
主要成果:
- 开发的DL模型实现了测试精度在55.88%至76.47%之间.
- 灵敏度高达100% (ResNet18) 和特异性高达73.68% (DenseNet161) 的数据.
- 转移学习有效地缓解了有限的数据集大小所带来的挑战.
结论:
- 使用DL自动检测CL治疗反应是可行的,并显示出临床应用的潜力.
- 这种方法可以显著帮助优化治疗策略,改善患者对CL的治疗结果.
- 建议使用更大的数据集进行进一步的研究,以改进模型性能并验证发现.
