使用卷积神经网络和3D全身摄影,对特定部位的皮肤光损伤进行自动分类
Sam Kahler1, Siyuan Yan2, Adam Mothershaw1,3
1Frazer Institute, The University of Queensland, Dermatology Research Centre, Brisbane, Queensland, Australia.
The British journal of dermatology
|December 10, 2025
概括
一个新的人工智能工具准确地从3D全身摄影 (TBP) 中评估皮肤光损伤. 这种对紫外线损伤的自动评估可以改善黑色素瘤风险预测和对高风险个体的监测建议.
科学领域:
- 皮肤病学和人工智能研究
- 医学成像分析 医学成像分析
- 公共卫生 公共卫生
背景情况:
- 早期检测黑色素瘤是一个公共卫生挑战,需要针对性监测风险分层.
- 由于主观方法,很难可靠地评估皮肤光损伤,这是黑色素瘤的关键风险因素.
- 人工智能和全身摄影 (TBP) 的进步为自动化紫外线损伤评估提供了机会.
研究的目的:
- 开发一个临床的光度数尺度用于光损伤.
- 从3D-TBP创建一个注释图像的数据集.
- 训练一个卷积神经网络 (CNN) 进行自动光损伤评估.
主要方法:
- 通过使用评分器间可靠性验证了光损伤和色素的光度量表.
- 标注来自高风险和人口风险个体的24,720个皮肤图像.
- 训练了一个多任务学习CNN,结合色素来提高光损伤评估的准确性.
主要成果:
- 多任务学习CNN的ROC-AUC达到0.96,超过了单任务CNN (0.91).
- 对于轻度,中度和严重的光损伤类别,提高了特定类别的准确性.
- 该模型在外部验证集上展示了可重现的准确性,并通过3D-TBP化身上的热图进行可视化.
结论:
- 一个新的CNN工具可以自动和可重复地报告来自3D-TBP的光损伤表型.
- 这种自动评估可以增强黑色素瘤风险预测模型.
- 促进针对高风险个人提供有针对性的监测建议.
