CNN-baseret AI kontra læger til diagnostik af solitære hudlæsioner

Dette studie er et retrospektivt, observationelt diagnostisk nøjagtighedsstudie, der er designet til at evaluere ydelsen af en konvolutionel neuralt netværk (CNN)-baseret kunstig intelligensmodel i vurderingen af solitære hudlæsioner ved hjælp af makroskopiske kliniske billeder.

Makroskopiske kliniske billeder af solitære hudlæsioner med histopatologisk eller klinisk bekræftede diagnoser vil blive hentet retrospektivt fra dermatologiens billedarkiv på Istanbul Uddannelses- og Forskningshospital. Alle billeder og tilhørende kliniske dokumenter vil blive anonymiseret før analyse, og al identificerende visuel eller tekstuel information vil blive fjernet. Databehandling og analyse vil blive udført i et sikkert, institutionsbaseret miljø med begrænset adgang, der kun er tilgængelig for studieteamet.

En CNN-baseret kunstig intelligensmodel vil blive udviklet ved hjælp af overvåget læringsteknikker. Billedforbehandlingstrin vil omfatte ændring af størrelse til standardiserede inputdimensioner, farvenormalisering og fjernelse af områder, der indeholder potentielt identificerbar information. Datasættet vil blive opdelt i trænings-, validerings- og testunderafsnit for at muliggøre modeludvikling, hyperparameteroptimering og uafhængig ydelsesevaluering. Modellering og evaluering vil blive implementeret ved hjælp af PyTorch deep learning-frameworket.

Den diagnostiske ydelse af den CNN-baserede model vil blive evalueret ved hjælp af standard klassifikationsmetrikker og vil blive sammenlignet med de uafhængige vurderinger af dermatologer, dermatologi-residenter og ikke-dermatologiske læger, der evaluerer det samme sæt anonymiserede billeder uden adgang til yderligere klinisk eller histopatologisk information. Sammenlignende analyser vil blive udført for at vurdere forskelle i diagnostisk ydelse og overensstemmelse mellem den kunstige intelligensmodel og lægegrupperne.