深度学习超越皮肤科医生. (1st February 2019)

• Record Type: Journal Article
• Authors: Fujisawa, Y.; Otomo, Y.; Ogata, Y.; Nakamura, Y.; Fujita, R.; Ishitsuka, Y.; Watanabe, R.; Okiyama, N.; Ohara, K.; Fujimoto, M.
• Is Part Of: British journal of dermatology. Volume 180:Number 2(2019)
• Page Start: e52
• Page End: e52
• Publication Date: 2019-02-01
• Subjects: Dermatology -- Periodicals; Skin -- Diseases -- Periodicals; 616.5
• DOI: 10.1111/bjd.17483
• Languages: English
• ISSNs: 0007-0963

Abstract

Summary: 皮肤癌在全球范围内呈增长态势。然而, 不论何时, 让所有出现皮肤症状的患者都去皮肤科就诊总是不现实的。人工智能在皮肤癌的辅助筛查和诊断领域前景光明。虽然现已面世的几种计算机辅助分类系统能够以高灵敏度检出黑色素瘤, 但这种高灵敏度是以降低特异度作为代价而实现的。灵敏度衡量正确识别的"真阳性"的比例(即:被正确识别为患有相应疾病的病人百分比)。特异度衡量正确识别的"真阴性"的比例(即:被正确识别为没有患有相应疾病的健康人百分比)。将一种名为深度卷积神经网络 (Deep convolutional neural network, DCNN) 的机器学习新方法应用于皮肤癌分类系统有望同时提高皮肤癌筛查的灵敏度和特异度。然而, 目前认为这类系统所需的训练图像数量非常大, 为罕见皮肤病编辑一个大型数据集比较困难。在本研究中, 我们使用不足 5000 幅图像训练了 DCNN, 并开发出一种可对 14 种不同皮肤肿瘤和相关疾病进行分类的 DCNN 分类系统。13 名经委员会认证的皮肤科医生对其性能进行了测试。结果表明, 我们的系统仅需使用一幅图像, 皮肤癌检测的灵敏度达到 96.3%、特异度达到 89.5%。DCNN 对恶性和良性肿瘤的分类准确度分别为 85.3% 和 92.4%, 在统计学意义上高于经委员会认证的皮肤科医生。综上所述, 我们使用相对较少的图像完成了对 DCNN 的训练, 并由此开发出一种高效皮肤肿瘤分类系统。当前系统有望在一般医疗实践中用于筛查目的, 但首先, 它需要在临床试验中接受全面测试。