Новый алгоритм классификации поражений кожи

Дерматологи обычно классифицируют поражения кожи на основе нескольких источников данных. Алгоритмы, которые объединяют информацию воедино, могут поддерживать эту классификацию.

Международная исследовательская группа в настоящее время разработала алгоритм, который классифицирует поражения кожи более точно, чем предыдущие алгоритмы, используя улучшенный процесс объединения данных.

Многие люди во всем мире страдают кожными заболеваниями. Для постановки диагноза врачи часто объединяют несколько источников информации. К ним относятся, например, клинические изображения, микроскопические изображения и метаданные, такие как возраст и пол пациента. Алгоритмы глубокого обучения могут поддерживать классификацию поражений кожи, объединяя всю информацию воедино и оценивая ее. Несколько таких алгоритмов уже разрабатываются. Однако для применения этих алгоритмов обучения в клинике их необходимо дополнительно усовершенствовать для достижения более высокой точности диагностики.

Новый метод объединения данных повышает точность диагностики

Исследовательская группа, возглавляемая доктором медицинских наук Тобиасом Лассером из Мюнхенского института биомедицинской инженерии (MIBE) при Техническом университете Мюнхена (TUM), разработала новый алгоритм обучения — FusionM4Net, который демонстрирует более высокую среднюю диагностическую точность, чем предыдущие алгоритмы. Код для FusionM4Net находится в свободном доступе. Новый алгоритм использует так называемый мультимодальный многоступенчатый процесс объединения данных для классификации поражений кожи с несколькими метками.

Мультимодальный: алгоритм обучения включает три различных типа данных: клинические изображения, микроскопические изображения подозрительного поражения кожи и метаданные пациента.
Мульти-метка: Исследователи обучили алгоритм классификации кожи с несколькими метками, т.е. он может различать пять различных категорий поражений кожи.
Многоступенчатый: новый алгоритм сначала объединяет доступные данные изображения, а затем метаданные пациента. Этот двухэтапный процесс позволяет взвешивать данные изображений и метаданные в процессе принятия решений алгоритмом. Это значительно отличает FusionM4Net от предыдущих алгоритмов в этой области, которые объединяют все данные сразу.

Чтобы оценить диагностическую точность алгоритма, его можно сравнить с наилучшей существующей классификацией для используемого набора данных, для которой присвоено значение 100 процентов. Средняя диагностическая точность FusionM4Net повысилась до 78,5 процента благодаря многоступенчатому процессу слияния, превосходя все другие современные алгоритмы, с которыми он сравнивался.

Работа над клиническим применением

Чтобы повысить воспроизводимость, для обучения алгоритма использовался общедоступный набор данных. Однако в дерматологии наборы данных не везде стандартизированы. В зависимости от клиники могут быть доступны различные типы изображений и информация о пациенте. Таким образом, для фактического клинического развертывания алгоритм должен быть способен обрабатывать тип данных, доступных в каждой конкретной клинике.

Совместно с отделением дерматологии и аллергологии Университетской больницы Мюнхенского университета LMU исследовательская группа интенсивно работает над тем, чтобы алгоритм был применен в будущей клинической практике. С этой целью команда в настоящее время объединяет многочисленные наборы данных, которые были стандартизированы для этой клиники.

"Будущее рутинное клиническое использование алгоритмов с высокой диагностической точностью может помочь гарантировать, что редкие заболевания также будут выявляться менее опытными врачами, и это может смягчить решения, вызванные стрессом или усталостью", - говорит доктор медицинских наук Тобиас Лассер. Таким образом, алгоритмы обучения могли бы помочь повысить общий уровень медицинской помощи.