状色素损伤的分类,检测和细分:机器学习任务的比较分析
Virginia Tasso1,2, Sanjay Ganesh3, Sabrina Iddir3
1Department of Biomedical Engineering, University of Illinois Chicago, Chicago, IL, USA.
Translational vision science & technology
|October 28, 2025
概括
这项研究比较了计算机视觉模型来检测阴道黑色素瘤 (UM). 分类模型在有限数据的情况下对UM检测最有效,为资源稀缺的地区提供了有价值的工具.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 卵巢黑色素瘤 (UM) 是最常见的成人眼内恶性瘤,具有高转移潜力和不良预后.
- 目前用于查黑色细胞胆道瘤的方法存在局限性,特别是在缺乏专业眼科瘤学家的地区.
研究的目的:
- 为未来的皮膜黑色素瘤检测研究提出一个参考框架.
- 根据数据可用性,资源,注释努力和临床适用性,突出不同计算机视觉 (CV) 方法之间对UM检测的权衡.
主要方法:
- 三个CV模型 (分类,检测,细分) 使用ResNet-50骨干在864张Optos图像上开发了UM和其他胆道病变.
- 使用AUC进行分类,F1评分用于检测,Dice评分用于细分来评估性能.
- 一项废除研究评估了数据稀缺性的稳定性,使用Grad-CAM和混矩阵用于解释性.
主要成果:
- 分类,检测和细分模型的AUC得分分别为94%,93%和95%.
- 细分产生了最高的F1得分 (89%) 和75%的子得分.
- 该分类模型在低数据场景中表现出卓越的性能.
结论:
- 在高资源设置 (100+图像) 中,所有简历模型的表现都相似.
- 在低资源设置 (<70张图像) 中,分类模型显著优于检测和细分模型.
- 当数据资源有限时,更简单的分类模型可能会为UM检测任务提供更大的实用性.


