在良性模拟器中识别黑色素瘤 - 深度学习卷积神经网络是否有作用? (梅尔西姆研究)
A S Vollmer1, J K Winkler1, K S Kommoss1
1Department of Dermatology, University Medical Center Heidelberg, Germany.
European journal of cancer (Oxford, England : 1990)
|August 16, 2025
概括
深度学习卷积神经网络 (DL-CNNs) 通过增加灵敏度而不会降低特异性,轻微提高了皮肤科医生检测皮肤黑色素瘤 (CM) 的能力. 这突显了DL-CNNs作为CM检测的辅助诊断工具的潜力.
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:
- 早期发现皮肤黑色素瘤 (CM) 对生存至关重要,但将其与良性黑色素瘤模拟器 (MelSim) 区分开来是具有挑战性的.
- 深度学习卷积神经网络 (DL-CNNs) 在识别皮肤科医生准确度的CM方面表现有前途.
研究的目的:
- 评估DL-CNN支持是否提高皮肤科医生在CM与MelSim.Sim区分方面的准确性.
- 为了比较具有和没有DL-CNN辅助的诊断性能.
主要方法:
- 一项涉及200种皮肤病变 (100CM,100MelSim) 和27名皮肤科医生的横截面读者研究.
- 皮肤科医生仅使用皮肤镜,完整病例信息和完整病例信息以及DL-CNN分数来评估病变.
- 诊断性能指标包括灵敏度,特异性和ROC-AUC.
主要成果:
- DL-CNN和皮肤科医生 (没有支持) 的敏感度相似 (90.0%和90.1%).
- 与皮肤科医生相比,DL-CNN的特异性 (67.0%) 和ROC-AUC (0.889) 分别低于皮肤科医生 (73.2%和0.951).
- 在DL-CNN支持下,皮肤科医生的灵敏度增加到91.4% (p < 0.001),而在特异性或ROC-AUC.上没有显著变化.
结论:
- 与DL-CNNs的合作略有提高了皮肤科医生对CM的诊断准确性.
- 增强主要是由于灵敏度增加,没有显著的特异性损失.
- 在具有挑战性的情况下,DL-CNNs显示出作为有价值的辅助诊断工具的潜力.
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
09:11Automation of the Micronucleus Assay Using Imaging Flow Cytometry and Artificial Intelligence
Published on: January 27, 2023
2.2K
