一个基于深度学习的放射学模型,用于对黑色素瘤进行非侵入性诊断
1Department of Dermatology, Xuchang Central Hospital Affiliated to Henan University of Science and Technology, Xuchang, China.
Melanoma research
|November 7, 2025
概括
一个新的非侵入性诊断模型使用深度学习和放射学来改善早期黑色素瘤检测. 随机森林模型在从皮肤色素病变中识别恶性黑色素瘤方面表现出卓越的准确性.
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:
- 早期的黑色素瘤诊断对于有效的治疗和改善患者结果至关重要.
- 目前用于皮肤色素病变的诊断方法可能是侵入性的或缺乏足够的准确性.
- 集成先进的计算技术为非侵入性诊断改进提供了潜力.
研究的目的:
- 开发和验证一种用于早期发现黑色素瘤的非侵入性诊断模型.
- 通过深度学习和放射学,提高诊断恶性黑色素瘤的准确性和临床效用.
- 在皮肤色素病变中确定可预测黑色素瘤的关键放射特征.
主要方法:
- 对350名皮肤色素病变患者的回顾性分析,分为培训 (n=245) 和验证 (n=105) 组.
- 使用单变量和多变量物流回归,包括最小绝对收缩和选择操作员 (LASSO) 回归,以确定独立的风险因素.
- 开发并比较Random Forest (RF),Support Vector Machine (SVM) 和K-nearest Neighbors (KNN) 模型,使用基于深度学习的放射学特征,通过接收器操作特征曲线 (AUC) 下的区域评估性能.
主要成果:
- 损伤直径,特定的放射性特征 (,长期强调,大面积强调,波纹对比度,波纹能量) 和ResNet50-layer49输出被确定为恶性黑色素瘤的独立风险因素 (P <0.05).
- 随机森林 (RF) 模型实现了最高的诊断性能,AUC为0.794,超过了KNN (0.755) 和SVM (0.768).
- 黑色素瘤的关键预测指标包括 (第一阶统计),长期强调和波纹对比.
结论:
- 基于深度学习的放射学模型,特别是随机森林方法,显示出在皮肤色素病变患者中对黑色素瘤的非侵入性诊断具有重大潜力.
- 开发的模型为早期黑色素瘤检测提供了更好的准确性和临床实用性.
- 特定的放射性特征是识别恶性黑色素瘤非侵入性的有价值预测因素.
