Статья рассматривает применение искусственного интеллекта (ИИ) для диагностики меланомы. В статье рассказывается про дермоскопические изображения, полученные с цифровых однообъективных зеркальных камер (DSLR), смартфонов и облегченной USB-камеры, сравниваются с использованием алгоритма искусственного интеллекта (ИИ) для определения точности идентификации меланомы.
Ключевые слова: искусственный интеллект, меланома, SVM, люди, диагностика, методы, проблемы, разработка.
Злокачественная меланома — сравнительно редкая форма рака кожи, число случаев которой быстро растет в течение последнего десятилетия. Было установлено, что это одна из основных причин смерти от рака кожи. Относительная выживаемость в течение 5 лет может быть достигнута у 95 % пациентов, которым поставлен диагноз с меланомой 1 стадии. Однако, когда заболевание диагностируется на 4-й стадии, этот показатель выживаемости снижается до 8–25 %. Перед постановкой окончательного диагноза меланомы человеком с подозрительным пигментированным поражением кожи проводятся гистопатологическая оценка, иссечение, оценка специалиста, оценка врача первичной медико-санитарной помощи и самооценка. Дерматоскопия должна использоваться для оценки любых подозрительных поражений кожи должным образом подготовленными медицинскими работниками в соответствии с рекомендациями действующих практических руководств.
Разграничение потенциально опасных и безвредных поражений может быть улучшено на каждом этапе диагностики, чтобы повысить точность методов и сократить ненужные обращения в последующие службы, вызванные поражениями. Кокрановская группа точности диагностических тестов на рак кожи недавно опубликовала обширную серию обзоров, основанных на точности различных диагностических схем, включая приложения для смартфонов, методы компьютерной диагностики, теледерматологию, конфокальную микроскопию с отражением, а также визуальную оценку с дерматоскопией или без нее. Из этого обзора становится очевидным, что существуют некачественные и ограниченные данные, подтверждающие широкое внедрение приложений для смартфонов, схем компьютерной диагностики и теледерматологии. По сравнению с простым визуальным осмотром, дерматоскопия повышает точность диагностики. По сравнению только с дерматоскопией точность диагностики повышается при использовании отражательной конфокальной микроскопии. Оборудование для конфокальной микроскопии с высокой отражательной способностью стоит дорого. По этой причине они используются редко, и опыт экспертов в значительной степени влияет на точность клинической диагностики.
Несмотря на минимальные доказательства клинической валидации, несколько разработчиков приложений для смартфонов выпускают приложения, основанные на обнаружении меланомы. Вероятность злокачественного новообразования была оценена по 4 из 50 фотографий со смартфонов, на которых был выявлен рак кожи. Однако точность диагностики не была оценена. Пациенты могут пострадать от вводящих в заблуждение, неточных и плохо разработанных потребительских приложений. Точность диагностики может быть значительно повышена за счет внедрения современных электронных технологий, соответствующей оценки и соответствующей разработки. Алгоритмы классификации меланомы на основе искусственного интеллекта для категоризации фотографий поражений достигли уровня компетентности, сравнимого с компетенцией дерматологов в последние дни. Skin Analytics Limited разработала алгоритм искусственного интеллекта для распознавания злокачественных новообразований на основе deep ensemble, используемый для анализа дермоскопических изображений пигментированных поражений кожи для определения вероятности рака кожи медицинскими работниками для поддержки принятия решений. Около 10000 дермоскопических изображений, которые хранятся в архиве, сравниваются для оценки и идентификации особенностей поражения, связанных с меланомой, с использованием схем глубокого обучения. Результаты анализа показывают, что точность идентификации меланомы с помощью этого алгоритма сравнима с точностью врачей-специалистов.
Проводится замаскированное, однорукое, многоцентровое проспективное диагностическое исследование. Для целей анализа рассматривается набор данных, состоящий из более чем 10 000 изображений поражений кожи. Снимки с биопсией или без повреждений кожи были изъяты как неприемлемые. Такие данные, как раса, возраст и пол человека, получены из базы данных. Мнение специалиста также учитывается при отборе образцов изображений. Рассматриваются пять доброкачественных и контрольных образований диаметром менее 15 мм, которые ранее не подвергались иссечению или биопсии. Они подобраны таким образом, чтобы не располагаться в области видимых рубцов или в месте, анатомически неподходящем для фотографирования. Для сравнения используются изображения, полученные с разных камер, а именно с цифровых однообъективных зеркальных фотокамер (DSLR), смартфонов и облегченной USB-камеры. Исследование проводится с использованием современных операционных систем. Линзы DermLite крепятся ко всем камерам для обеспечения дермоскопической четкости. Порядковая шкала используется клиницистами для оценки вероятности развития меланомы по шкале от 1 до 4, где 4 означает наиболее вероятную, а 1 — наименее вероятную.
Диспластические невусы, меланома и другие кожные заболевания классифицируются на основе результатов гистопатологии, полученных при биопсии иссеченных поражений. Меланома In situ также относится к категории меланомы. Наиболее вероятный диагноз ставится, когда во время постановки диагноза сообщается о гистопатологических неточностях. Для ведения пациентов используется обычный стандарт медицинской помощи, а результаты алгоритмической оценки не доводятся до сведения пациентов или клиницистов. До завершения процесса подбора персонала изображения хранились в электронном виде. Ранее опубликованные дермоскопические изображения используются для обучения алгоритма перед исследованием. На втором этапе алгоритм обучается на подмножестве из 250 изображений, извлеченных из выборочного набора данных. Из этих изображений 172 изображения представляли контрольные поражения, на 53 изображениях были немеланомные поражения и на 25 из них были поражения меланомой. Чтобы избежать переобучения, как при раздельном тестировании, так и при обучении, ни один пациент не указал на наличие поражений. После обучения алгоритма изображениям с разных камер также выполняется оценка изображений. Набор данных удаляет дефектные или размытые изображения, и на изображениях также выполняется проверка качества. Далее остальные изображения в базе данных оцениваются с помощью алгоритма.
Для клинической оценки каждая камера оценивается на предмет подтвержденного гистопатологией диагноза по стандартному критерию со шкалой достоверности алгоритма. Неопределенность вычисляется с помощью начальной оценки, непараметрического метода с использованием кривых оператора приемника. Все биопсийные поражения оцениваются на предмет вероятности меланомы и сравнивается клиническая точность оценки. Повреждения, используемые для обучения алгоритма, и те, изображения которых отсутствуют, также включены в этот анализ. Однако для анализа при прямом сравнении рассматриваются только повреждения, состоящие из изображений со всех трех камер. Частота ложноотрицательных результатов, частота ложноположительных результатов, прогностическая ценность, специфичность и другие показатели точности диагностики, а также площадь под кривой рабочих характеристик приемника (AUROC) сравниваются на предмет возможности меланомы при нескольких порогах принятия решения, обеспечивающих чувствительность 95 % и 100 %.
Гистопатология используется для оценки всех поражений, рассматриваемых для биопсии, благодаря использованию 100 %-ного порога чувствительности. В промежутках между оценками равенство AUROC проверяется с помощью теста χ2. Точность различных схем выявления меланомы исследуется на основе влияния ковариат. Расположение поражения на определенном участке тела, семейный анамнез рака кожи или меланомы, цвет волос, тип кожи по Фитцпатрику, раса, пол, возраст и уровень беспокойства пациента — вот некоторые из изучаемых ковариат, связанных с пациентом. Тесты на выкуп проводятся с использованием имеющихся данных для оценки потенциальных последствий некачественных изображений и других недостающих параметров. Модель выбора используется для оценки модифицированной кривой рабочих характеристик приемника, разработанной Раджбхандари и др. Все тесты являются двухсторонними, и статистическая значимость достигается при значении P менее 0,05. Для выполнения статистического анализа используется статистическое программное обеспечение Stata (StataCorp). Статистические оценки дают точность более 96 %.
Чувствительность кожи по Фитцпатрику наблюдается у большинства участников, в то время как в личном или семейном анамнезе таких участников не было ни одной формы рака кожи. Исследуемая популяция состояла из пациентов среднего возраста 49 лет, 62 % из которых были женщинами. Во время предварительной обработки подготавливаются изображения, в которых удаляются нежелательные элементы изображения, чтобы обеспечить возможность дальнейшей обработки. Родинки, цвет кожи, вены, волоски, низкая контрастность и другие артефакты устраняются моделью. Мелкие элементы, такие как волоски на изображении, обнаруживаются с помощью фильтрации bottom hat и удаляются. Распознавание и удаление волос также может быть выполнено с использованием срединного отфильтрованного изображения для улучшения изображения поражения кожи и дальнейшего устранения шума. Преобразование изображения RGB в оттенки серого также выполняется для сохранения только информации об интенсивности изображения, что обеспечивает быструю обработку изображения. SVM — это популярный классификатор, который применяется к извлеченным элементам изображения для классификации поражения кожи на доброкачественное и меланомное. Контрольные поражения и биопсийные поражения классифицируются в результате анализа. Далее он подразделяется на диспластические невусы, а по гистопатологии — на меланому.
Обнаружение меланомы с уровнем точности, близким к уровню специалистов, демонстрируется предложенным алгоритмом искусственного интеллекта с классификацией SVM. Дермоскопические изображения, полученные с цифровых однообъективных зеркальных камер (DSLR), смартфонов и облегченной USB-камеры, сравниваются с использованием алгоритма искусственного интеллекта (ИИ) для определения точности идентификации меланомы. Набор данных содержал более 10 000 изображений кожи. Эффективность медицинского обслуживания повышается в значительной степени за счет преобразования процесса диагностики пациентов с использованием сервисов на основе искусственного интеллекта и недорогих методов скрининга. Алгоритм обучается на подмножестве из 250 изображений, извлеченных из выборочного набора данных. Из этих изображений 172 изображения представляли контрольные поражения, на 53 изображениях были немеланомные поражения и на 25 из них были поражения меланомой. Минимальное переобучение наблюдается при увеличении числа итераций обучения алгоритма. Будущая работа направлена на включение прогностической диагностической схемы для ранней диагностики рака, основанной на методе pre-in-situ. Точность классификаторов меланомы также может быть дополнительно повышена для улучшения диагностики.
Литература:
- Pennisi, A., Bloisi, D. D., Nardi, D., Giampetruzzi, A. R., Mondino, C., & Facchiano, A., “Skin Lesion Image Segmentation Using Delaunay Triangulation for Melanoma Detection”, May 2016. URL: https://www.researchgate.net/publication/302554467_Skin_Lesion_Image_Segmentation_Using_Delaunay_Triangulation_for_Melanoma_Detection (дата обращения: 14.05.2023).
- Sondermann, W., Utikal, J. S., Enk, A. H., Schadendorf, D., Klode, J., Hauschild, A.,... & Brinker, T. J., “Prediction of melanoma evolution in melanocytic nevi via artificial intelligence: A call for prospective data”, September 2019. URL: https://www.ejcancer.com/article/S0959–8049(19)30409–5/fulltext (дата обращения: 15.05.2023)
- Tschandl, P., Codella, N., Akay, B. N., Argenziano, G., Braun, R. P., Cabo, H., ... & Kittler, H., “Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study” June 2019. URL: https://www.researchgate.net/publication/333725805_Comparison_of_the_accuracy_of_human_readers_versus_machine-learning_algorithms_for_pigmented_skin_lesion_classification_an_open_web-based_international_diagnostic_study (дата обращения: 16.05.2023)
- Adegun, A., & Viriri, S., “Deep learning techniques for skin lesion analysis and melanoma cancer detection: a survey of state-of-the-art”, February 2021. URL: https://www.researchgate.net/publication/342502768_Deep_learning_techniques_for_skin_lesion_analysis_and_melanoma_cancer_detection_a_survey_of_state-of-the-art (дата обращения: 12.05.2023)
- Bashar, A. “Survey on evolving deep learning neural network architectures”, URL: https://www.researchgate.net/publication/338820955_SURVEY_ON_EVOLVING_DEEP_LEARNING_NEURAL_NETWORK_ARCHITECTURES (дата обращения: 12.05.2023)
- Pandian, A. P., “Identification and classification of cancer cells using capsule network with pathological images”, URL: https://www.researchgate.net/publication/336469769_IDENTIFICATION_AND_CLASSIFICATION_OF_CANCER_CELLS_USING_CAPSULE_NETWORK_WITH_PATHOLOGICAL_IMAGES (дата обращения: 12.05.2023)
