深度学习性能分析指甲视频毛发镜图像系统性硬化症中的图像
Müçteba Enes Yayla1, Ayhan Aydın2, Mahmut Kılıçaslan3
1Division of Rheumatology, Department of Internal Medicine, Faculty of Medicine, Ankara University, Ankara 06230, Turkey.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
深度学习模型准确地分类了指甲视频毛囊镜 (NVC) 图像,用于检测系统性硬化症 (SSc). 这种AI方法显示出与专家风湿病学家诊断能力相匹配的潜力.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 风湿病学 诊断 诊断 风湿病学
背景情况:
- 指甲视频毛囊镜 (NVC) 对于诊断全身性硬化症 (SSc) 是至关重要的.
- 手动分类NVC图像可能是主观和耗时的.
- 深度学习为自动化NVC图像分析提供了一个潜在的解决方案.
研究的目的:
- 使用深度学习对系统性硬化症 (SSc) 患者和健康对照的NVC图像进行分类.
- 为了比较NVC图像分类的六种不同的深度学习模型的性能.
- 评估深度学习的诊断准确性,与专家风湿病学家对比.
主要方法:
- 从50名SSc患者和30名健康个体的977张NVC图像的数据集进行了策划.
- 图像被关节病学家分为正常,早期,活跃和晚期的SSc模式.
- 六个深度学习模型 (MobileNetV3Large,ResNet152V2,Xception,VGG-19,InceptionV3,NASNetLarge) 被训练并使用准确度,精度,回忆和F1评分进行评估.
主要成果:
- 深度学习模型实现了高准确度 (90.6%98.9%),精度 (93.4%98.9%),回忆力 (90.6%98.8%),以及F1分数 (92%98.9%).
- 发明V3模型表现出卓越的性能,准确率为98.95%,精度为98.94%,回忆率为98.80%,F1得分为98.88%.
- 所有模型都显示出出色的ROC AUC值 (98.99%100%),表明了强大的诊断能力.
结论:
- 深度学习模型可以有效地对NVC图像进行系统性硬化症诊断的分类.
- 人工智能模型的性能接近经验丰富的风湿病学家的性能.
- 这项技术有望提高SSc诊断的效率和准确性.
