Hluboké učení na 3D tomogramu s celulárním rozlišením

Úvod Technologie optické koherentní tomografie (OCT) je široce používána v lékařské praxi, jako je oftalmologie. Aplikace v dermatologii pomalu postupuje až k výraznému zlepšení rozlišovací schopnosti v poslední době. Jedno z nově navržených OCT zařízení používaných v této studii je založeno na výzkumu a vývoji profesora Sheng-Lung Huanga z National Taiwan University. Světelný zdroj byl vyroben z originálního krystalického vlákna pokrytého sklem, které úspěšně poskytlo submikronové rozlišení na kůži, které je lepší než tradiční 5-10 mikronové rozlišení OCT s vysokým rozlišením. Tento nový OCT systém (obrazový systém ApolloVue™ S100, Viper1-S003, Apollo Medical Optics) byl použit v této předchozí klinické studii „in vivo OCT zobrazení různých kožních onemocnění“ bez nežádoucích účinků. OCT snímky různých kožních onemocnění shromážděné v této studii byly porovnány s HE-obarvenými patologickými řezy. Poskytli užitečné informace lékařům. Posouzení rizika a přínosu této klinické studie je stejné, jak se očekávalo. Riziko je při klinickém použití nízké, a to jak pro operátory, tak pro subjekty. V posledních letech se aplikace technologie umělé inteligence při analýze klasifikace tkání lékařských snímků rychle rozvíjí. Proto se chystáme použít technologii hlubokého učení ke zlepšení interpretace OCT snímků, abychom pomohli následné diagnostice kožních onemocnění.

Kritéria pro zařazení

Experimentální skupina:

1. Dospělí ve věku 20 let nebo starší
2. Neléčená léze epidermálního zánětlivého onemocnění: dermatitida a psoriáza: 300 účastníků.
3. Benigní nádory: seboroická keratóza a névus: 300 účastníků
4. Maligní nádory: aktinická keratóza (AK), melanom, bazaliom (BCC), Bowenova choroba, spinocelulární karcinom (SCC) a extramamární Pagetova choroba (EMPD): 100 účastníků
5. Pigmentová onemocnění: solární lentigo, melasma a vitiligo: 300 účastníků

Kontrolní skupina:

Zdravý obličej (exponované místo) a kůže vnitřního předloktí (neexponované místo) epidermálních nádorů a pigmentových onemocnění výše uvedené experimentální skupiny byly použity jako kontrolní skupina, s výjimkou epidermálních zánětlivých onemocnění, v kontrolní skupině bylo očekáváno 700 účastníků.

Kritéria vyloučení

Experimentální skupina:

1. Nezletilí ve věku do 20 let
2. Podezření na transkutánní infekční onemocnění, včetně infekcí, jako jsou bakterie, houby, viry a paraziti.
3. Všechny kožní nádory, které jsou v podkoží
4. Všechny kožní léze jsou otevřené rány
5. Všechny kožní léze jsou na místě, které je obtížně snímatelné
6. Neochota spolupracovat s metodami a souvisejícími postupy této studie
7. Zranitelné skupiny obyvatel, včetně vězňů, těhotných žen, handicapovaných, mentálně postižených, známých pacientů s AIDS a bezdomovců

Kontrolní skupina:

1. Nezletilí do 20 let.
2. Epidermální zánětlivé onemocnění
3. Podezření na transkutánní infekční onemocnění, včetně infekcí, jako jsou bakterie, houby, viry a paraziti.
4. Jedinci, kteří mají systémovou kožní poruchu.
5. Jedinci, kteří mají v anamnéze závažné kožní onemocnění
6. Osoby po operacích/kosmetických operacích/mikro kosmetických operacích (např. kosmetické injekce a/nebo laser atd.) na zdravou kůži na obličeji a vnitřní straně předloktí za poslední 3 měsíce a lékař určí, že operace ovlivní výsledek OCT snímků.
7. Neochota spolupracovat s metodami a souvisejícími postupy této studie
8. Zranitelné skupiny obyvatel, včetně vězňů, těhotných žen, handicapovaných, mentálně postižených, známých pacientů s AIDS a bezdomovců

K označení tkáně a lézí v OCT snímcích byla použita hluboká konvoluční neuronová síť (DCNN). Při trénování modelů DCNN budou strategie učení s přenosem použity k doladění parametrů z předem trénovaných modelů, které obsahují mnoho obrazových znalostí, jako je například GoogleLeNet, místo toho, aby se trénovaly modely od začátku. Tato metoda zachovává nízkoúrovňové znalosti obrazu běžné pro přírodní a lékařské obrazy a výrazně zkracuje čas na trénování modelu. Během trénovacího procesu jsou parametry prvních několika vrstev, které ukládají znalost obrazu nízkého řádu v modelu, pevně stanoveny a parametry následujících vrstev modelu jsou měněny algoritmem zpětného šíření. Nakonec je na konec DCNN přidána vrstva lineárního klasifikátoru, aby se určil typ/velikost symptomů ve vstupním obrázku.