面部有色素病变的基于深度学习的分类系统,以帮助激光治疗决策
Haruyo Yamamoto1, Chisa Nakashima1, Kenichiro Kasai2
1Department of Dermatology, Kindai University Faculty of Medicine, Osaka, JPN.
Cureus
|July 7, 2025
概括
深度学习模型准确地区分了面部染色病变,超过了皮肤科医生. 这些人工智能工具显示出改善诊断和指导激光治疗计划的希望,用于诸如黑色素瘤和恶性晶状体等疾病.
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:
- 准确诊断面部色素病变对于有效的治疗和患者的治疗结果至关重要.
- 深度学习,特别是卷积神经网络 (CNN),显示了皮肤病变分类的潜力,但在面部色素病变方面未得到充分利用,特别是在激光治疗规划方面.
研究的目的:
- 开发和评估深度学习模型,使用转移学习来区分五种类型的面部色素病变.
- 将这些模型的诊断准确性与专家和非专家皮肤科医生进行比较.
主要方法:
- 采用了432张高分辨率图像的数据集,其中包括黑色素瘤,状素,获得性皮肤黑色素细胞瘤 (ADM),太阳晶状体和黑色素质恶性/黑色素质恶性黑色素瘤 (LM/LMM).
- 两种CNN架构,InceptionResNetV2和DenseNet121,在图像预处理后使用转移学习进行训练.
- 模型的性能与9名董事会认证皮肤科医生和11名非认证皮肤科医生的诊断准确性进行了比较.
主要成果:
- InceptionResNetV2和DenseNet121模型的诊断准确率分别为87%和86%.
- 这两种模型都超过了专家皮肤科医生 (平均准确率80%) 和非专家皮肤科医生 (平均准确率63%).
- 两种模型都在识别LM/LMM方面表现出100%的灵敏度,这是早期癌症检测的关键发现.
结论:
- 与皮肤科医生相比,深度学习模型在分类面部有色素病变方面表现出优越的诊断性能.
- 这些人工智能模型具有很大的临床应用潜力,可以协助皮肤病诊断.
- 研究结果表明,这些模型可以帮助指导各种面部色素病变的适当治疗策略.
