在临床照片中改善皮肤慢性移植对宿主疾病的U-Net细分,使用半监督培训
Andrew J McNeil1,2,3, Kelsey Parks2,3, Michael Pogharian3
1Vanderbilt University, Nashville, TN.
Proceedings of SPIE--the International Society for Optical Engineering
|December 26, 2025
概括
半监督学习改善了慢性移植与宿主疾病 (cGVHD) 的自动皮肤评估. 这种方法减少了从临床照片中测量受影响皮肤区域的错误,提高了诊断可靠性.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 皮肤病学 皮肤病学
背景情况:
- 手动评估慢性移植对宿主疾病 (cGVHD) 皮肤参与是主观的,昂贵的,耗时的.
- 现有的用于cGVHD皮肤评估的自动图像分析需要受控摄影和专家注释.
- 较高的interrater差异 (>20%的表面积) 强调了对客观测量工具的需求.
研究的目的:
- 通过在标准临床照片上进行半监督学习,增强cGVHD皮肤参与的自动测量.
- 为了减少对cGVHD评估的昂贵专家注释的依赖.
- 为了提高cGVHD皮肤面积量化的准确性和一致性.
主要方法:
- 一个U-Net模型最初在36个cGVHD患者的360张标记3D照片上接受监督学习的训练.
- 该模型被反复训练,使用半监督方法,使用来自83名患者的5648张额外的未标记照片.
- 对20名持有患者的临床照片进行了表现评估.
主要成果:
- 半监督再培训后,中位表面积误差从基线时的19.2% (IQR 6.3-33.8) 降至10.2% (IQR 4.5-22.6).
- 半监督学习有效地使U-Net模型适应了标准的临床照片,没有新的专家注释.
- 改进的模型显示了可靠的cGVHD评估和跟踪的潜力.
结论:
- 半监督学习提供了一种有效的策略,用于将图像细分模型适应cGVHD的临床环境.
- 这种方法大大减少了测量误差和需要广泛的专家标签的需求.
- 开发的工具可以标准化cGVHD评估,改进目前的手动评估方法.
