分享自:

基于智能手机的人工智能应用在黑色素瘤、黑素细胞痣和脂溢性角化病分类中的准确性

期刊:DiagnosticsDOI:10.3390/diagnostics13132139

本文档属于类型a,即一篇报告单一原创研究的学术论文。以下是针对该研究的详细学术报告:

主要作者与机构
本研究的主要作者包括Jokūbas Liutkus、Artūras Kriukas、Dominyka Stragytė、Erikas Mažeika、Vidas Raudonis、Wolfgang Galetzka、Andreas Stang和Skaidra Valiukevičienė。他们分别来自立陶宛健康科学大学皮肤与性病学系、考纳斯理工大学人工智能中心以及德国埃森大学医院医学信息学、生物统计学与流行病学研究所。该研究于2023年6月21日发表在期刊《Diagnostics》上,题为《Accuracy of a Smartphone-Based Artificial Intelligence Application for Classification of Melanomas, Melanocytic Nevi, and Seborrheic Keratoses》。

学术背景
本研究属于皮肤病学与人工智能交叉领域。黑色素瘤(melanoma)是一种高度恶性的皮肤癌,其发病率和死亡率预计到2040年将分别增加50%和68%。早期准确诊断对改善患者预后和降低死亡率至关重要。皮肤镜检查(dermatoscopy)是黑色素瘤诊断的重要工具,但其在初级医疗中的应用率较低,主要原因是缺乏培训和操作难度。近年来,深度学习(deep learning)在计算机视觉领域的进展使得人工智能(AI)算法在皮肤病变分类中表现出色,甚至超越了一些皮肤科医生。然而,现有的AI算法大多运行在专业硬件上,难以在初级医疗中推广。因此,本研究旨在评估一种基于智能手机的“You Only Look Once”(YOLO)神经网络模型在分类黑色素瘤、黑色素细胞痣(melanocytic nevi)和脂溢性角化病(seborrheic keratoses)中的准确性。

研究流程
本研究主要包括以下几个步骤:
1. 模型训练:研究使用59,090张皮肤镜图像训练YOLO神经网络模型。训练数据集来自国际皮肤影像协作组织(ISIC)档案库和Fotofinder皮肤镜设备。图像增强技术(如图像旋转、光照变化和噪声校正)被用于增加数据的多样性和规模。
2. 模型测试:测试数据集包括100张经组织学确认的皮肤镜图像(32张黑色素瘤、35张黑色素细胞痣和33张脂溢性角化病)。这些图像来自多个公开数据库,如HAM10000、MSK和UDA。
3. 性能评估:将模型的分类结果与两位经验丰富的皮肤科医生和五位初学者进行比较,评估其敏感性(sensitivity)和特异性(specificity)。
4. 统计分析:使用ROC曲线下面积(AUC)和Fleiss kappa值评估模型的分类性能和观察者间一致性。

主要结果
1. 黑色素瘤分类:模型对黑色素瘤的敏感性为0.88(95%置信区间:0.71-0.96),特异性为0.87(0.76-0.94)。其表现优于初学者组(敏感性0.83),与经验丰富的皮肤科医生相当。
2. 黑色素细胞痣分类:模型的敏感性为0.77(0.60-0.90),特异性为0.91(0.81-0.97),均优于所有皮肤科医生组。
3. 脂溢性角化病分类:模型的敏感性较低,为0.52(0.34-0.69),但特异性较高,为0.93(0.83-0.98)。
4. ROC曲线分析:模型在黑色素瘤和黑色素细胞痣分类中的AUC值较高,但在脂溢性角化病分类中表现较差。
5. 观察者间一致性:经验丰富的皮肤科医生在所有皮肤病变分类中的一致性最高,初学者组的一致性较低。

结论
本研究证明,基于智能手机的YOLO神经网络模型在黑色素瘤和黑色素细胞痣分类中表现出高敏感性和特异性,与经验丰富的皮肤科医生相当。然而,其在脂溢性角化病分类中的敏感性较低,可能由于训练数据不足或模型自动裁剪皮肤病变区域时丢失了重要特征。该模型为初级医疗提供了一种便捷、高效的皮肤病变分类工具,有助于提高黑色素瘤的早期诊断率,特别是在资源有限的地区。未来的研究应扩大数据集,包括更多类型的皮肤病变和黑色素瘤亚型,并通过多中心前瞻性研究进一步验证模型的性能。

研究亮点
1. 创新性:本研究首次将YOLO神经网络模型应用于智能手机应用程序,实现了无需专用硬件的皮肤病变多分类。
2. 高效性:模型在智能手机上的图像处理速度极快,平均处理时间不到0.7秒。
3. 实用性:该模型为初级医疗提供了一种易于使用的工具,有助于提高皮肤病变诊断的准确性和可及性。
4. 数据集规模:研究使用了超过59,000张皮肤镜图像进行模型训练,确保了模型的泛化能力。

其他有价值的内容
本研究还强调了人工智能在皮肤病学中的潜力,特别是在提高初级医疗诊断能力和减少医疗成本方面的应用前景。此外,研究还指出,未来的AI算法应进一步优化对脂溢性角化病等常见皮肤病变的分类性能,并纳入更多难以诊断的黑色素瘤亚型(如肢端雀斑样黑色素瘤和无色素性黑色素瘤)。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com