北京大学肿瘤医院

返回

顶部

网站导航

239期《全球肿瘤快讯》-1.jpg

卷积神经网络在黑色素瘤诊断中的应用

作者: 来源: 发布时间:2019-09-10

德国海德堡大学Winkler等报告,皮肤标记干扰了深度学习卷积神经网络(CNN)对皮肤痣的正确诊断效能,增加了黑色素瘤的检出率和假阳性率。(JAMA Dermatol. 2019年8月14日在线版 doi: 10.1001/jamadermatol.2019.1735)

为了探讨皮肤镜下龙胆紫标记的皮肤切缘与欧洲市售医疗器械CNN诊断性能间的相关性,该项横断面分析入组了2018年8月1日至2018年11月30日逾120 000帧皮肤镜下皮肤肿瘤图像和对应的诊断结果以训练CNN,在3个图像集中分析了皮肤镜下龙胆紫标记的皮肤切缘与CNN表现的关联,每个图像集包括130个黑色素细胞病变(107个良性痣,23个黑色素瘤)。

相同的病变在施用和不施用龙胆紫外科皮肤标记的情况下依次成像,然后由CNN评估其是黑色素瘤的可能性。主要终点为CNN在未标记的、标记的和裁剪的图像中诊断的敏感性、特异性和曲线下面积(AUC)。

结果显示,总有130个黑色素细胞病变(107个良性痣和23个黑色素瘤)接受了成像检测。在未标记的病变图像中,CNN诊断黑色素瘤的敏感性为95.7%(95%CI 79%~99.2%),特异性为84.1%(95%CI 76.0%~89.8%),AUC为0.969。

在被标记的病变图像中,CNN诊断黑色素瘤的敏感性为100%(95%CI 85.7%~100%),特异性为45.8%(95%CI 36.7%~55.2%,P<0.001),AUC为0.922。在裁剪图像中,CNN诊断黑色素瘤的敏感性为100%(95%CI 85.7%~100%),特异性为97.2%(95%CI 92.1%~99.0%),AUC为0.993。

(编译 见玉荣)