一种可以帮助检测黑色素瘤的人工智能工具

研究人员使用深度卷积神经网络设计了一个系统，可以快速分析患者皮肤的宽视野图像，以便更有效地检测癌症。黑色素瘤是一种恶性肿瘤，占全球所有皮肤癌相关死亡的 70% 以上。多年来，医生一直依靠视觉检查来识别可疑的色素沉着病变 (SPL)，这可能是皮肤癌的征兆。这种在初级保健环境中早期识别 SPL 可以改善黑色素瘤的预后并显着降低治疗成本。

挑战在于快速查找 SPL 并对其进行优先排序是困难的，因为通常需要对潜在活检进行评估的大量色素病变。现在，来自麻省理工学院和其他地方的研究人员设计了一种新的人工智能管道，使用深度卷积神经网络 (DCNN)，并通过使用大多数智能手机和个人相机中常见的广角摄影将它们应用于分析 SPL。

研究人员利用宽视野图像和深度学习，开发了一种可疑色素性皮肤病变的分析系统，以便更有效地检测皮肤癌。研究人员的插图/麻省理工学院

DCNN 是神经网络，可用于对图像进行分类(或“命名”)，然后对它们进行聚类(例如在执行照片搜索时)。这些机器学习算法属于深度学习的子集。

博士后和医疗设备专家 Luis R. Soenksen 表示，该程序使用相机拍摄患者身体大面积的宽视野照片，并使用 DCNN 快速有效地识别和筛选早期黑色素瘤。麻省理工学院第一个人工智能和医疗保健领域的创业者。Soenksen 与麻省理工学院的研究人员进行了这项研究，其中包括麻省理工学院医学工程与科学研究所 (IMES) 的教员 Martha J. Gray、W. Kieckhefer 健康科学与技术教授、电气工程和计算机科学教授;和 James J. Collins，医学工程和科学与生物工程的 Termeer 教授。

Soenksen 是最近发表在《 科学转化医学 》上的论文“使用深度学习从宽视野图像中皮肤病学家级别检测可疑色素沉着病变”的第一作者，他解释说：“SPL 的早期检测可以挽救生命;然而，目前医疗系统仍缺乏大规模提供全面皮肤筛查的能力。”

该论文描述了使用 DCNN 的 SPL 分析系统的开发，以更快、更有效地识别需要更多调查、筛查的皮肤病变，可以在常规初级保健访问期间进行，甚至由患者自己进行。该系统利用 DCNN 来优化广域图像中 SPL 的识别和分类。

使用人工智能，研究人员使用马德里 Gregorio Marañón 医院 133 名患者的 20,388 幅宽视野图像以及公开可用的图像训练该系统。这些图像是使用各种普通相机拍摄的，这些相机可供消费者随时使用。与研究人员合作的皮肤科医生对图像中的病变进行视觉分类以进行比较。他们发现该系统在区分 SPL 与非可疑病变、皮肤和复杂背景方面的灵敏度超过 90.3%，避免了繁琐且耗时的单个病变成像的需要。此外，本文提出了一种提取患者内部病变显着性的新方法(丑小鸭标准，

“我们的研究表明，利用计算机视觉和深度神经网络对此类常见迹象进行量化的系统可以达到与专家皮肤科医生相当的准确性，”Soenksen 解释说。“我们希望我们的研究重振在初级保健机构提供更有效的皮肤病学筛查的愿望，以推动足够的转诊。”

研究人员表示，这样做可以更快速、更准确地评估 SPLS，并可能导致黑色素瘤的早期治疗。

标签：