Как ИИ может обнаружить рак кожи с помощью вашего смартфона
В следующей статье представлена работа Андре Эстева и его команды Классификация рака кожи на уровне дерматологов с использованием глубоких нейронных сетей.
Было подсчитано, что у 1 из 5 американцев в течение жизни разовьется рак кожи. Если бы диагноз был обнаружен до того, как меланома поражала лимфатические узлы, 5-летняя выживаемость могла бы составить около 98%, а если бы она была диагностирована на более поздних стадиях, 5-летняя выживаемость была бы намного ниже - 18%. Так что поставить своевременную диагностику и начать лечение на раннем этапе не составляет труда.
В настоящее время Американская академия дерматологии прилагает большие усилия и привлекает рекламные ролики в поддержку ранней диагностики меланомы, включая эту Кампанию по борьбе с точечным раком кожи. Которая карта родинок тела была разработана для самопроверки.
Разве не было бы неплохо, если бы приложение для смартфона могло выдавать вам диагноз на уровне сертифицированного дерматолога с помощью всего лишь изображения?
Предыдущие технологические узкие места
Были разработаны компьютерные системы диагностики рака кожи, но они не работали в реальных жизненных ситуациях по следующим причинам.
Данные обучения
- Большинство изображений для тренировок было сделано с помощью дерматоскопа, который представляет собой специальное медицинское устройство, которое мы обычно не получаем в руки.
- Другой вид изображений был получен в результате гистологического исследования, что на самом деле означает отрезание кусочка ткани и исследование его под микроскопом.
Для приложения для телефона мы хотим, чтобы приложение могло распознавать рак кожи без каких-либо специальных инструментов и без необходимости отрезать кусок от себя. И набора данных для обычных снимков кожных родинок, классифицированных дерматологами, просто не существовало.
Алгоритм
Изображения дерматоскопии и гистологического исследования очень стандартизированы, что идеально подходит для компьютерных систем классификации. Однако, если мы хотим собирать данные с камеры смартфона, будет множество вариантов, включая освещение, масштабирование и угол сделанного снимка.
Предыдущие системы классификации не были готовы справиться с этими вариациями.
Как Андреа Эстева и его команда решили проблему
Набор данных
Они использовали маркированный дерматологами набор данных, содержащий 129 450 клинических изображений (изображений, аналогичных тем, которые вы можете сделать на свой телефон).
Алгоритм
Они использовали архитектуру нейронной сети, называемую сверточной сетью, которая особенно хорошо работает с компьютерным зрением. Адам Гейтгей прекрасно объяснил концепцию CNN в следующем посте.
И они не использовали обычную сверточную сеть, они использовали архитектуру CNN GoogleNet Inception v3, которая была предварительно обучена примерно с 1,28 миллионами изображений.
Результаты: сопоставимы с данными сертифицированного дерматолога.
Сравниваемые задачи
Системе и 21 сертифицированному дерматологу были предоставлены клинические изображения родинок, подтвержденные биопсией, и они были протестированы на следующих задачах.
- Определение того, является ли поражение доброкачественным или злокачественным.
- Меланоцитарный (самая смертельная форма рака кожи)
Метрики для сравнения
Чувствительность и специфичность
Полученные результаты:
Сверточная сеть превзошла всех 21 дерматологов и среднего из них в задаче по классификации 135 изображений карциномы, 130 изображений меланомы и 111 дерматоскопических изображений меланомы.
Что теперь?
Вышеупомянутая работа, проделанная Андре Эстевой и его командой, доказала, что с надлежащим набором данных для обучения и нейронной сетью ML может превзойти дерматолога в диагностике заболеваний по клиническим изображениям.
Что, если нейронную сеть можно обучить с большим количеством данных о разных заболеваниях? Сможет ли он на уровне дерматолога диагностировать все кожные заболевания? Как это повлияет на клиническую практику дерматолога? А как насчет других клинических специальностей, таких как радиология, патология?
С моей точки зрения, если приложение может превзойти дерматолога в диагностике всех кожных заболеваний, для дерматолога неэтично не применять эту технологию и не повышать точность диагностики. Это может переключить роль дерматолога с диагноста на сиделку и способствовать развитию медицины, ориентированной на пациента.
