加强和进步深度学习用于黑色素瘤检测:一个全面的审查
Graziela Sória Virgens1, João Alfredo Teodoro1, Emmanuel Iarussi2
1Laboratório de Bioinformática para Bioprospecção e Mineração de Dados ômicos, Centro de Ciências Naturais e Humanas, Universidade Federal Do ABC (UFABC), Santo André, São Paulo, Brazil.
Computers in biology and medicine
|June 8, 2025
概括
深度学习 (DL) 对黑色素瘤检测有希望,但模型缺乏全球适用性和透明度. 需要更多多样化的数据和可解释的AI,以便在诊断这种皮肤癌时得到更广泛的临床使用.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 黑色素瘤是一个重要的全球健康问题,特别是在欧洲.
- 传统的活检诊断是侵入性的;人工智能,特别是深度学习 (DL),通过图像分析提供了早期检测的潜力.
- 自2016年以来,DL用于黑色素瘤检测的应用大幅增长.
研究的目的:
- 系统地审查趋势并识别黑色素瘤检测DL应用中的差距.
- 评估现有DL模型的可复制性和通用性.
- 为了突出过去十年来基于DL的黑色素瘤诊断的进步和挑战.
主要方法:
- 对从2016年到2025年3月的研究进行系统审查.
- 专注于使用图像分析检测黑色素瘤的DL模型.
- 对模型性能,数据源和方法透明度的分析.
主要成果:
- 在欧洲/北美数据上训练的DL模型显示高精度,但对各种皮肤光型的适用性有限.
- 像ISIC和HAM10000这样的公共数据库通常被使用,但数据分区透明度往往缺乏.
- 常见的做法 (例如,224x224分辨率,ResNet,Inception) 经常缺乏方法细节,阻碍了可重复性.
结论:
- 迫切需要更多多样化,高质量的数据来提高全球DL模型对黑色素瘤诊断的有效性.
- 挑战包括图像质量的变化和DL模型的"黑子"性质,阻碍临床采用.
- 标准化数据库和开发强大,可解释的人工智能模型是未来研究的建议.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.5K
07:41A Robust Discovery Platform for the Identification of Novel Mediators of Melanoma Metastasis
Published on: March 8, 2022
2.6K
