一个纵向数据集的和相应的皮肤镜像与元数据用于识别皮肤癌症
Nima Ghahari1, Liam Caffery2, Brigid Betz-Stablein3
1Centre for Health Services Research, Faculty of Medicine, The University of Queensland, Brisbane, Australia. n.ghahari@uq.edu.au.
Scientific data
|October 1, 2025
概括
这项研究引入了一个新的皮肤病变数据集,以改善早期皮肤癌检测. 该数据集包括纵向和多分辨率图像,解决当前机器学习模型的局限性.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 机器学习分类算法显示了早期皮肤癌检测的前景.
- 目前的算法通常依赖于单个图像,与使用纵向和比较分析的临床实践不同.
- 现有的皮肤图像数据集缺乏全面的上下文和纵向信息.
研究的目的:
- 为了解决皮肤病变数据集中上下文和纵向数据的稀缺性.
- 创建一个全面的数据集,以增强皮肤病学中的机器学习模型.
- 通过结合多时间和多分辨率成像来促进皮肤癌的早期检测.
主要方法:
- 从480名参与者 (一般和高风险队列) 的皮肤监测中开发一个全面的数据集.
- 包括250,162个三维全身图像 (形图像) 和9,389个皮肤镜像.
- 为340名参与者提供纵向和皮肤镜像 (每病变2-7张).
主要成果:
- 一个新的,大规模的数据集,具有不同的成像方式 (板和皮肤镜) 和分辨率.
- 包括一个重要的参与者子集的纵向数据,使时间分析.
- 该数据集弥合了对皮肤损伤评估中先进机器学习至关重要的上下文信息的差距.
结论:
- 这一数据集是开发更强大,更具临床相关性的机器学习算法来检测皮肤癌的宝贵资源.
- 整合纵向和多模式成像数据可以显著提高皮肤病学AI的性能.
- 本资源支持通过更紧密地模仿临床评估方法来研究早期检测.
