深度学习系统用于皮肤疾病差异诊断
提出了一种名为 DermImitFormer 的多任务模型,通过模仿皮肤科医生的诊断程序和策略,解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题,并同时预测身体部位、皮损属性以及疾病本身,从而提高诊断准确性和可解释性。
Jul, 2023
本文介绍了应用 ISDL 多类智能皮肤诊断框架,利用 58,457 张皮肤图像和 10,857 张未标记的样本进行了可解释性和失衡半监督学习的第一项研究。我们的 ISDL 通过自我平衡训练实现,提高了少数类别的伪标注样本在每次迭代中的概率,进而推动了无标签样本的利用解决类别不平衡问题,实现了多标签皮肤疾病分类的 0.979 的准确率、0.975 的敏感性、0.973 的特异性、0.974 的宏平均 F1 分数和 0.999 的接收者操作特征曲线下面积(AUC)。结合 Shapley Additive Explanation(SHAP)方法,解释了深度学习模型的预测,这与临床诊断一致。我们还提出了一种采样分布优化策略,使用 ISDLplus 可以更有效地选择伪标注样本。此外,该研究有望缓解对专业医生所提出的压力,并帮助解决农村地区医生短缺的实际问题。
Nov, 2022
本文介绍了一种结合深度学习和机器学习的系统,通过分割皮肤病变区域及其周围组织进行黑色素瘤检测,使用公开数据集验证,相比于专家医生的平均准确率高达 76%。
Oct, 2016
本文研究了实现强健的皮肤病诊断的实用方法,并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法,并应用卷积神经网络(CNNs)来实现疾病定向诊断和病变定向分类的分类器,并采用来自六个公开皮肤病学大全的 75665 个皮肤病图像来进行训练与测试,结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。
Dec, 2018
本研究使用卷积神经网络和集成方法对两个皮肤病图片数据集进行分类。结果表明,使用目标检测技术可以提高某些皮肤病类别的分类准确性。
Nov, 2019
该研究介绍了一种病理深度学习系统 (PDLS),该系统可以对数码全幻灯片图像进行分类诊断,特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能,可以帮助病理医生明确合适的病理检查先后顺序,缩短患者等待诊治时间,最终改善患者的生命质量。
Sep, 2021
近期,人工智能算法在从临床照片中分类皮肤病方面取得了巨大进展。然而,我们对这些算法在现实环境下的鲁棒性了解甚少,而很多因素可能导致其普适性的丧失。通过理解和克服这些限制,我们可以开发出可以帮助在各种临床环境下诊断皮肤病的具有普适性的人工智能。在这项回顾性研究中,我们证明皮肤病分布的差异是人工智能算法在对来自先前未知来源的数据进行评估时产生错误的主要原因,与人口统计或图像捕捉模式无关。我们展示了一系列步骤来弥合这种普适性差距,需要越来越多关于新数据源的信息,从病症分布到以在训练期间较少接触到的数据为重点的训练数据。我们的研究结果还表明,与仅冻结嵌入模型的分类层进行微调相比,端到端微调的性能相当。根据所掌握的信息和资源,我们的方法可以为人工智能算法在新环境中的应用提供指导。
Feb, 2024
本文介绍了一种基于视觉和大型语言模型的皮肤科诊断系统 SkinGPT,可以自动诊断皮肤病的特征和类别,并提供治疗建议,实现了本地部署和用户隐私保护。
Apr, 2023
通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意,然而它们在临床黑脸挑战方面存在限制:限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题,我们提出了一种全能的 HOT 模型(Hierarchical-Out of Distribution-Clinical Triage),对于临床图像,我们的模型生成三个输出:层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时,它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持,并为医学 AI 应用设定了一个有前景的先例。
Nov, 2023