Anonim

Deep learning diagnoses skin cancer as well as professionals Sie erstellten eine Datenbank mit fast 130.000 Bildern von Hautkrankheiten und trainierten ihren Algorithmus, um potenziellen Krebs visuell zu diagnostizieren.

"Wir haben erkannt, dass es machbar ist, nicht nur etwas Gutes zu tun, sondern auch einen menschlichen Dermatologen", sagte Sebastian Thrun vom Stanford Artificial Intelligence Laboratory. „Da hat sich unser Denken geändert. Zu diesem Zeitpunkt sagten wir: ‚Sehen Sie, dies ist nicht nur ein Klassenprojekt für Schüler, dies ist eine Gelegenheit, etwas Großartiges für die Menschheit zu tun. '“

Das Endprodukt wurde laut Stanford gegen 21 Dermatologen getestet. "Bei der Diagnose von Hautläsionen, die die häufigsten und tödlichsten Hautkrebsfälle darstellten, stimmte der Algorithmus mit der Leistung von Dermatologen überein."

n

Die Diagnose von Hautkrebs beginnt mit einer visuellen Untersuchung. Betrachten Sie die verdächtige Läsion mit bloßem Auge und durch eine Lupe mit geringem Stromverbrauch, die als Dermatoskop bezeichnet wird. Wenn dies nicht schlüssig ist oder krebsartig aussieht, ist die Biopsie der nächste Schritt.

Der Algorithmus basiert auf einem von Google entwickelten Algorithmus, der bereits darauf trainiert ist, 1, 28 Millionen Bilder aus 1.000 Objektkategorien zu identifizieren - vorbereitet, um Katzen von Hunden unterscheiden zu können.

Dem Algorithmus wurden Bilder als Rohpixel mit einem zugehörigen Krankheitsetikett zugeführt. Im Vergleich zu anderen Methoden für Trainingsalgorithmen, so die Universität, ist für diese Methode nur eine sehr geringe Verarbeitung oder Sortierung der Bilder vor der Klassifizierung erforderlich, sodass der Algorithmus eine größere Vielfalt von Daten verarbeiten kann.

"Es gibt keinen riesigen Datensatz für Hautkrebs, an dem wir unsere Algorithmen einfach trainieren können, also mussten wir unseren eigenen erstellen", sagte der Forscher Brett Kuprel. „Wir haben Bilder aus dem Internet gesammelt und mit der Medizinischen Fakultät zusammengearbeitet, um aus Daten eine schöne Taxonomie zu erstellen, die sehr unübersichtlich ist. Alleine die Etiketten waren in mehreren Sprachen verfügbar, darunter Deutsch, Arabisch und Latein.

In Zusammenarbeit mit Medizinern aus Stanford klassifizierte das Team 130.000 Bilder von Hautläsionen, die über 2.000 verschiedene Krankheiten repräsentieren.

Während der Tests wurden nur qualitativ hochwertige biopsiebestätigte Bilder verwendet, darunter bösartige Karzinome und bösartige Melanome (sowohl häufig als auch möglicherweise tödlich) von der University of Edinburgh und dem International Skin Imaging Collaboration Project.

Den 21 Dermatologen wurden 370 Bilder gezeigt und sie wurden gefragt, ob sie basierend auf jedem Bild eine Biopsie oder Behandlung durchführen oder den Patienten beruhigen würden. Dann bewertete das Forscherteam, wie gut die Dermatologen in der Lage waren, krebsartige und nicht-krebsartige Läsionen zu diagnostizieren.

Die Leistung des Algorithmus wurde anhand einer „Sensitivitäts-Spezifitäts-Kurve“ gemessen, bei der die Sensitivität die Fähigkeit zur korrekten Identifizierung bösartiger Läsionen und die Spezifität die Fähigkeit zur korrekten Identifizierung gutartiger Läsionen repräsentierte.

"Es wurde durch drei wichtige diagnostische Aufgaben beurteilt: Keratinozyten-Karzinom-Klassifikation, Melanom-Klassifikation und Melanom-Klassifikation bei der Dermoskopie", sagte Stanford. „Bei allen drei Aufgaben hat der Algorithmus die Leistung der Dermatologen an die Fläche unter der Sensitivitäts-Spezifitäts-Kurve angepasst, die mindestens 91 Prozent der Gesamtfläche des Diagramms ausmacht.“

Ein zusätzlicher Vorteil des Algorithmus besteht darin, dass der Algorithmus im Gegensatz zu einer Person mehr oder weniger empfindlich gemacht werden kann, sodass die Forscher seine Reaktion in Abhängigkeit davon einstellen können, was sie beurteilen möchten. Diese Möglichkeit, die Empfindlichkeit zu ändern, gibt Aufschluss über die Tiefe und Komplexität dieses Algorithmus. Die zugrunde liegende Architektur von scheinbar irrelevanten Fotos - einschließlich Katzen und Hunden - hilft dabei, die Hautläsionsbilder besser zu bewerten.

Das Team geht davon aus, dass es relativ einfach sein wird, den Algorithmus auf mobile Geräte umzustellen, warnt jedoch davor, dass weitere Tests in einer realen klinischen Umgebung erforderlich sind.