早期诊断模型的真菌菌病和五种炎症性皮肤疾病基于多式联络数据的卷积神经网络
Zhaorui Liu1, Yilan Zhang2, Ke Wang2
1Department of Dermatology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Science and Peking Union Medical College, National Clinical Research Center for Dermatologic and Immunologic Diseases, Beijing, China.
The British journal of dermatology
|June 4, 2025
概括
一个人工智能 (AI) 模型显著改善了皮肤淋巴瘤的一种类型 - - 菌菌病 (MF) 的诊断. 将人工智能与皮肤科医生结合起来,提高了MF早期和炎症性皮肤疾病的诊断准确度.
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:
- 菌根性菌病 (MF) 是最常见的皮肤T细胞淋巴瘤,经常出现模仿炎症性皮肤病的早期症状.
- 从炎症性皮肤病中精确区分早期的MF是具有挑战性的,需要超越传统方法的先进诊断工具.
研究的目的:
- 开发和验证人工智能深度学习模型,利用多式联络数据进行MF的早期诊断.
- 评估人工智能模型的分类效率,并为皮肤科医生创建人工智能辅助的诊断工具,将多发性肌痛与炎症性皮肤疾病区分开来.
主要方法:
- 一项回顾性研究涉及1157例MF和炎症性疾病,使用临床,皮肤镜像和患者病史.
- 使用卷积神经网络 (RegNetY400MF) 来从多式联络数据中提取特征.
- 皮肤科医生,人工智能模型和皮肤科医生-人工智能结合方法之间的诊断性能比较分析.
主要成果:
- 人工智能模型在分类MF和炎症性皮肤疾病方面表现优于皮肤科医生,显示出更高的准确性,精度,敏感性和特异性.
- 结合"皮肤科医生+AI"组的平均精度 (82.9%),灵敏度 (86.2%) 和特异性 (96.5%) 与"皮肤科医生"组相比 (71.5%,74.6%,94.1%) 显著提高.
- 一个多分类模型表明,对个别疾病的诊断准确性得到了提高.
结论:
- 开发的AI模型表现出强大的区分能力,用于协助皮肤科医生诊断早期MF.
- 人工智能集成显示出显著的潜力,可以提高常见炎症性皮肤病和MF的诊断准确度.
