Bioengineering：利用高效率网络增强皮肤病诊断:一种深度学习方法

作为世界上最常见的癌症，皮肤癌在过去的几十年里急剧增加。皮肤癌被皮肤科医生分为两种主要类型:非黑色素瘤皮肤癌(NMSCs)和黑色素瘤，因其侵袭性行为和转移风险而被认可。虽然黑色素瘤的发生频率低于NMSCs，但它是导致大多数皮肤癌死亡的原因，因此迫切需要准确诊断。最常见的皮肤癌类型是NMSC，主要包括基底细胞癌(BCC)和鳞状细胞癌(SCC)。BCC很少转移，但在那些不治疗或延迟治疗的病例中也会发生转移。SCC虽然在转移方面比BCC更具侵袭性，但如果及时发现和治疗，通常对治疗反应良好。NMSCs发病率的增加与较高的环境紫外线有关，与臭氧消耗有关，并与公众健康意识和筛查活动的增加有关。

黑色素瘤虽然是一种相对罕见的皮肤癌，但它具有高度的转移性。在有效的黑色素瘤治疗中，早期发现对于实现高存活率至关重要。早期黑色素瘤患者的5年生存率在90%以上，但随着诊断阶段越高，5年生存率明显降低。良性皮肤病变，包括光化性角化病(AK)、良性角化病样病变和黑素细胞痣，广泛存在，通常是非恶性的。即使是经验丰富的皮肤科医生在临床区分有时也是具有挑战性的。皮肤病变的鉴别诊断是一项复杂的任务，它反映了对其形态、分布和演变的累积知识。对于恶性和良性皮肤病变，皮肤镜检查技术，提供了很大的诊断准确性。然而，皮肤镜分析可能是主观的和经验依赖的，这可能导致诊断和结果的变化。

早期和准确的诊断皮肤病变是最重要的治疗结果，特别是皮肤癌。据世界卫生组织统计，2022年全球报告了150万例皮肤癌病例，其中33万例为黑色素瘤病例，导致近6万人死亡。因此，准确和及时的诊断皮肤病变是至关重要的，因为它直接影响患者的管理和预后。虽然现有的诊断方法是有效的，但当使用临床评估作为主要诊断工具时，它们可能是主观的。这也反应了较少主观、更具可重复性和可扩展性的诊断工具的重要性，这也可以增强早期检测并改善临床结果。

今天，由于深度学习(DL)和人工智能(AI)等具有深度科学的新兴技术的巨大影响，皮肤病学的诊断前景正在发生变化。作为机器学习(ML)的一个子集，深度学习已经成为一种强大的工具，预计将改变包括皮肤病学在内的多个医学领域的游戏规则。计算机和改进的ML模型现在可以高精度地解决困难、复杂的诊断任务。人工智能模型，特别是在大规模数据库上训练时，在皮肤病变分类方面具有与皮肤科医生相似或优于皮肤科医生的潜在能力。此外，这些人工智能系统在提供诊断解释的标准化以及减少观察者之间的可变性和诊断错误的频率方面具有重大影响。随着人工智能融入临床实践，这种一致、可重复的解释可能会彻底改变皮肤病变诊断。此外，这种整合可以加强在服务不足地区的皮肤科专业知识分布，使获得专家级诊断和护理的机会民主化。为了适应我们在临床实践中可能处理的皮肤类型和状况的巨大多样性，在皮肤病学中持久部署人工智能工具可能需要在多个数据集上进行广泛的验证和持续培训。

在本研究中，使用了在图像分类中达到最先进精度的体系结构EfficientNetB3。由Tan和Le(2019)开发，它是医学图像分析的理想架构类型，因为考虑到尺寸和计算效率，它在基准测试中表现最佳。本文介绍的工作重点是使用基于effentnetb3的自定义模型，该模型使用迁移学习来分析扩展数据集上的皮肤病变。本研究旨在通过应用先进的人工智能方法，以可扩展和有效的方式弥合技术快速发展与临床应用之间的差距，以提高皮肤科诊断的准确性和速度。该模型在六类皮肤疾病中进行了训练和验证，包括良性和恶性疾病，如黑色素瘤、基底细胞癌、鳞状细胞癌、光化性角化病、良性角化病样病变和黑素细胞痣。通过整合最新的人工智能方法，可以取得进展，例如改善诊断或减少临床医生的工作量，从而使患者有更多的时间进行护理，减少常规诊断。将人工智能在技术方面的优势与皮肤科专家对皮肤病理的细致理解相结合，我们创造了一个相互依存的组合，提高了诊断过程的准确性和适用性。

方法:使用基于EfficientNetB3和深度学习的自定义模型，我们提出了一种与其他模型相比，以更小、更便宜和更快的推理时间提供更好结果的皮肤病变分类方法。本研究使用的皮肤图像数据集包括从作者的收藏和ISIC 2019档案中选择的8222个文件，涵盖六种皮肤病。

用于训练的临床和皮肤镜图像示例

图像在不同皮肤状况下的分布

模型的体系结构和设置

模型的超参数

图3。BCC，良性角化样病变的验证准确性和损失。黑素细胞痣和黑色素瘤类

BCC、良性角化病样病变、黑素细胞痣、黑色素瘤、鳞状细胞癌和AK分类的验证准确性和损失

测试结果分为四类

测试结果分为六类

BCC、良性角化样病变、黑素细胞痣和黑色素瘤分类的ROC曲线

BCC、良性角化病样病变、黑素细胞痣、黑色素瘤、鳞状细胞癌和AK分类的ROC曲线

BCC、良性角化样病变、黑素细胞痣和黑色素瘤分类的混淆基质

BCC、良性角化病样病变、黑素细胞痣、黑色素瘤、鳞状细胞癌和AK分类的混淆基质

BCC、良性角化病样病变、黑素细胞痣和黑色素瘤分类的分类错误

BCC、良性角化病样病变、黑素细胞痣、黑色素瘤、鳞状细胞癌和AK类的分类错误

使用EfficientNet模型的比较研究

使用最先进的CNN模型进行比较研究

结果:该模型在黑色素瘤、基底细胞癌、良性角化病样病变和黑素细胞痣四类疾病中平均使用1600张图像，验证准确率达到95.4%。添加两个图像较少的类别(每个约700张)——鳞状细胞癌和光化性角化病——将验证准确率降低到88.8%。该模型在与训练数据集相同的条件下对新的临床测试图像保持准确性。

结论:定制模型在不同的皮肤病变数据集上表现出优异的性能，具有进一步增强的显著潜力。

原始出处： 

Ionela, Manole;  Alexandra-Irina, Butacu;  Raluca Nicoleta, Bejan;Enhancing Dermatological Diagnostics with EfficientNet: A Deep Learning Approach.Bioengineering (Basel)  2024 Aug 9;11(8)