{{{sourceTextContent.title}}}

Ein tiefer Lernen- Algorithmus übertrifft einige Brett-zugelassene Dermatologen in der Diagnose von Hautkrebs an Leistung

{{{sourceTextContent.subTitle}}}

Das tiefe Lernen ist angekündigt worden, damit sein Potenzial die Diagnose von Krankheiten erhöht, und jetzt hat ein Forscherteam bei Stanford einen tief-Lernenalgorithmus entwickelt, der möglicherweise diese Vision eine Wirklichkeit für Haut cancer.* macht

{{{sourceTextContent.description}}}

Die Forscher, geführt von Dr. Sebastian Thrun, von einem Anhangprofessor bei Stanford Artificial Intelligence Laboratory, in der Frage am 25. Januar der Natur die berichtet ihr tiefer Gewindealgorithmus des neuralen Netzes (CNN) auch oder besser als 21 Brett-zugelassene Dermatologen an der Diagnose von Hautkrebs durchgeführt. (Sehen Sie „Hautkrebs-Klassifikationsleistung des CNNs (blau) und der Zahl der Dermatologen (rot)“ unten.)

Die Diagnose von Hautkrebs fängt mit einer Sichtprüfung an. Ein Dermatologe schaut normalerweise die misstrauische Verletzung mit bloßem Auge und mit der Hilfe eines dermatoscope, das ein Handmikroskop ist, das niedrige lineare Wiedergabe der Haut liefert. Wenn diese Methoden ergebnislos sind oder den Dermatologen führen zu glauben, dass die Verletzung krebsartig ist, ist eine Biopsie der nächste Schritt. Dieser tiefe Lernen- Algorithmus hilft möglicherweise Dermatologen, zu entscheiden, welche zu biopsieren Hautläsionen.

„Mein Haupt-Eureka-Moment war, als ich gerade wie überall vorhandene Smartphones sind,“ sagte Stanford Department von Andre Esteva der Elektrotechnik, Mitführungsautor der Studie feststellte. „Jeder hat eine Supercomputer in ihren Taschen mit einigen Sensoren in ihm, einschließlich eine Kamera. Was, wenn wir es verwenden könnten, um für Hautkrebs sichtlich auszusortieren? Oder anderes Unbehagen?“

Es wird projektiert, dass es 6,3 Milliarde Smartphone subscriptionst bis zum dem Jahr 2021, entsprechend Ericsson Mobility Report (2016) gibt, das preiswerten universellen Zugang zur wesentlichen Diagnosesorgfalt möglicherweise bieten könnte.

Schaffung des tiefen Gewindealgorithmus des neuralen Netzes (CNN)

Tiefe CNN-Klassifikationstechnik. Datenfluss ist von links nach rechts: ein Bild einer Hautläsion (zum Beispiel, Melanom) wird der Reihe nach in eine Wahrscheinlichkeitsverteilung über klinischen Klassen der Hautkrankheit unter Verwendung Google-Anfang v3 CNN-Architektur verworfen, die auf dem ImageNet-Datensatz pretrained (1,28 Million Bilder über 1.000 generischen Objekt-Klassen) und auf dem eigenen Datensatz des Teams von 129.450 Hautläsionen, die eingestellt ist, die 2.032 verschiedene Krankheiten enthalten. (Kredit: Et al. Andre Estevas/Natur)

Eher als, einen Algorithmus von Grund auf neu aufbauend, fingen die Forscher mit einem Algorithmus an, der durch Google entwickelt wurde, das bereits ausgebildet wurde, um 1,28 Million Bilder von 1.000 Gegenstandkategorien zu identifizieren. Es war hauptsächlich entworfen, um in der Lage zu sein, Katzen von den Hunden zu unterscheiden, aber die Forscher benötigten es, die gutartigen und bösartigen Verletzungen zu unterscheiden. So arbeiteten sie mit Dermatologen bei Stanford Medicine sowie bei Helen M. Blau, Professor von Mikrobiologie und von Immunologie bei Stanford und Mitverfasser des Papiers zusammen.

Der Algorithmus wurde mit fast 130.000 Bildern ausgebildet, die mehr als 2.000 verschiedene Krankheiten mit einem verbundenen Krankheitsaufkleber darstellen und ließ das System Schwankungen des Winkels überwinden, Beleuchtung und lautes Summen. Der Algorithmus wurde dann gegen 1.942 Bilder der Haut geprüft, die digital mit Biopsie-erwiesenen Diagnosen von Hautkrebs kommentiert wurden. Gesamt, identifizierte der Algorithmus die überwiegende Mehrheit von Krebsfällen mit Genauigkeitsraten, die sachverständigen klinischen Dermatologen ähnlich waren.

Jedoch während der Prüfung, verwendeten die Forscher die nur hochwertigen, Biopsie-bestätigten Bilder, die von der Universität von Edinburgh bereitgestellt wurden und das internationale Haut-Darstellungs-Zusammenarbeits-Projekt, die allgemeinsten und tödlichsten Hautkrebse darstellten — bösartige Krebsgeschwüre und bösartige Melanomen.

Hautkrebs-Klassifikationsleistung des CNNs (blau) und der Dermatologen (rot). ** (Kredit: Et al. Andre Estevas/Natur)

Die 21 Dermatologen wurden, ob, basiert auf jedem Bild, sie mit Biopsie oder Behandlung fortfahren würden, oder versichern dem Patienten gefragt. Die Forscher werteten Erfolg durch aus, wie gut die Dermatologen in der Lage waren, die krebsartigen und nicht-krebsartigen Verletzungen in mehr als 370 Bildern richtig zu bestimmen. ***

Jedoch merkt Susan Swetter, Professor der Dermatologie und Direktor des pigmentierten Verletzungs-und Melanom-Programms an Stanford Cancer Institute und am Mitverfasser des Papiers, dass „rigorose zukünftige Bestätigung des Algorithmus notwendig ist, bevor sie in der klinischen Praxis, von den Praktikern und von den Patienten ebenso eingeführt werden kann.“

* jedes Jahr dort sind ungefähr 5,4 Million neue Fälle von Hautkrebs in den Vereinigten Staaten und während die Fünfjahresüberlebensrate für das Melanomen, das in seinen frühesten Zuständen ermittelt wird, herum 97 Prozent ist, das auf ungefähr 14 Prozent abfällt, wenn es in seinen spätesten Stadien ermittelt hat.

** „Hautkrebs-Klassifikationsleistung des CNNs und der Dermatologen. Das tiefe Lernencnn übertrifft den Durchschnitt der Dermatologen an der Hautkrebsklassifikation unter Verwendung photographischen an Leistung und

dermatoskopische Bilder. Unser CNN wird gegen mindestens 21 Dermatologen an keratinocyte Krebsgeschwür und an der Melanomanerkennung geprüft. Für jeden Test werden vorher ungesehene, Biopsie-erwiesene Bilder von Verletzungen angezeigt, und Dermatologen werden gefragt, wenn sie wurden: Biopsie/Festlichkeit die Verletzung oder dem Patienten versichern. Empfindlichkeit, die wahre positive Rate und Besonderheit, die wahre negative Rate, Maßnahme Leistung. Ein Dermatologe gibt eine einzelne Vorhersage pro Bild aus und wird folglich durch einen einzelnen roten Punkt dargestellt. Die grünen Punkte sind der Durchschnitt der Dermatologen für jede Aufgabe, wenn die Fehlerstangen eine Standardabweichung bezeichnen.“ — Et al. Andre Estevas/Natur

*** Die Leistung des Algorithmus wurde durch die Schaffung einer Empfindlichkeitbesonderheitskurve gemessen, in der Empfindlichkeit seine Fähigkeit darstellte, bösartige Verletzungen richtig zu identifizieren und Besonderheit seine Fähigkeit darstellte, gutartige Verletzungen richtig zu identifizieren. Es wurde durch drei Schlüsseldiagnoseaufgaben festgesetzt: keratinocyte Krebsgeschwürklassifikation, Melanomklassifikation und Melanomklassifikation, wenn Sie unter Verwendung der Dermatoskopie angesehen werden. In allen drei Aufgaben brachte der Algorithmus die Leistung der Dermatologen mit dem Bereich unter der Empfindlichkeitbesonderheitskurve zusammen, die auf mindestens 91 Prozent der Gesamtfläche des Diagramms sich beläuft. Ein zusätzlicher Vorteil des Algorithmus ist, dass, anders als eine Person, der Algorithmus mehr oder weniger empfindlich gemacht werden kann und den Forschern erlauben, abzustimmen seine Antwort abhängig von, was sie es festsetzen wünschen. Diese Fähigkeit, die Empfindlichkeitsandeutungen an der Tiefe und an der Komplexität dieses Algorithmus zu ändern. Die zugrunde liegende Architektur von scheinbar irrelevanten Fotos — einschließlich Katzen und Hunde — hilft ihr, besser die Hautläsionsbilder auszuwerten.

Zusammenfassung der Dermatologe-stufigen Klassifikation Hautkrebses mit tiefen neuralen Netzen

Hautkrebs, die allgemeinste menschliche Feindseligkeit, wird hauptsächlich sichtlich bestimmt und fängt mit einer klinischen zuerstsiebung an und gefolgt möglicherweise von der dermatoskopischen Analyse, von einer Biopsie und von der histopathologischen Prüfung. Automatisierte Klassifikation von Hautläsionen unter Verwendung der Bilder ist eine schwierige Aufgabe wegen der feinkörnigen Variabilität im Auftritt von Hautläsionen. Tiefes Showgewindepotential der neuralen Netze (CNNs) für die allgemeinen und in hohem Grade variablen Aufgaben über vielen feinkörnigen Gegenstandkategorien. Hier demonstrieren wir Klassifikation von Hautläsionen unter Verwendung eines einzelnen CNNs, bildeten aufeinander folgendes von den Bildern direkt, unter Verwendung der einzigen Pixel und der Krankheitsaufkleber als Input aus. Wir bilden ein CNN unter Verwendung eines Datensatzes von 129.450 klinischen Bild-zweigrößenordnungen das größere als vorhergehende Datensatz-Bestehen aus 2.032 verschiedenen Krankheiten aus. Wir prüfen seine Leistung gegen 21 Brett-zugelassene Dermatologen auf Biopsie-erwiesenen klinischen Bildern mit zwei kritischen binären Klassifikationsanwendungsfällen: keratinocyte Krebsgeschwüre gegen gutartige seborrheic Keratoses; und bösartige Melanomen gegen gutartige Muttermale. Der erste Fall stellt die Identifizierung allgemeinsten Krebse, der zweite darstellt die Identifizierung tödlichsten Hautkrebses dar. Das CNN erzielt Leistung auf einer Ebene mit allen geprüften Experten über beiden Aufgaben und zeigt eine künstliche Intelligenz, die zur Klassifizierung von Hautkrebs mit einem Kompetenzniveau fähig ist, das mit Dermatologen vergleichbar ist. Ausgestattet mit tiefen neuralen Netzen, können tragbare Geräte die Reichweite von Dermatologen außerhalb der Klinik möglicherweise verlängern. Es wird projektiert, dass 6,3 Milliarde Smartphonesubskriptionen bis zum dem Jahr 2021 existieren und preiswerten universellen Zugang zur wesentlichen Diagnosesorgfalt deshalb möglicherweise bieten können.