基于深度卷积神经网络的黑色素瘤诊断算法及临床验证

目的利用深度卷积神经网络(Deep convolutional neural network,DCNN)架构训练皮肤疾病分类诊断系统,并验证该系统在黑色素瘤-黑色素痣二分类任务中的准确度。方法基于数据库中14239张带有诊断标签的皮肤镜图像样本构建残差神经网络(ResNet DCNN),并在黑色素瘤-黑色素痣鉴别中与21名皮肤科医生(9名专家级,12名普通医生)的诊断结果进行对照,验证其诊断效率。结果实验组灵敏度为87.23%,特异度为80.43%,AUC为0.9129;对照组灵敏度为80.45%±17.78%,特异度为70.91%±11.66%。DCNN分类系统诊断灵敏度、特异度均高于21名医生的平均表现。结论初步验证了DCNN系统在皮肤疾病分类中的有效性及其作为临床辅助诊断工具的可行性。

基于全面部图像的黑色素痣自动检测算法及临床研究

目的探讨多中心临床研究对全面部图像中黑色素痣自动检测、分割和定量分析算法的有效性。方法自2019年1—6月,上海交通大学医学院附属第九人民医院、上海市奉贤区奉城医院和上海交通大学附属新华医院基于患者的全面部图像,采用Logistic回归和牛顿法对黑色素痣区域进行检测,再采用Python和OpenCV检测病变边缘,计算区域面积。并通过临床医师检测结果来评估算法的有效性。结果该算法在300例患者中检测出黑色素痣1290个,漏诊80个,误诊125个;召回率为93.57%,精确率为90.31%,F值为0.92。Kappa值>0.8,算法检测与医师检测的面积结果比较,其差异无统计学意义(P=0.720,P>0.05)。结论该算法检测与临床医师诊断的一致性较高。该算法在黑色素痣检测、边缘分割和面积测量等方面都取得了较好的效果。