Aprendizaje profundo en tomografía de resolución celular 3D

Introducción La tecnología de tomografía óptica coherente (OCT) ha sido ampliamente utilizada en la práctica médica, como la oftalmología. La aplicación en dermatología avanza lentamente hasta la marcada mejora de la resolución recientemente. Uno de los dispositivos OCT de nuevo diseño que se utilizan en este estudio se basa en la investigación y el desarrollo del profesor Sheng-Lung Huang de la Universidad Nacional de Taiwán. La fuente de luz se fabricó con fibra cristalina cubierta de vidrio original que ha proporcionado con éxito una resolución submicrónica en la piel, que es mejor que la resolución tradicional de 5-10 micrones de OCT de alta definición. Este nuevo sistema OCT (ApolloVue™ S100 image system, Viper1-S003, Apollo Medical Optics) se ha utilizado en este ensayo clínico previo "imágenes OCT in vivo de diferentes enfermedades de la piel" sin efectos adversos. Las imágenes OCT de diferentes enfermedades de la piel recopiladas en ese ensayo se compararon con secciones patológicas teñidas con HE. Proporcionaron información útil a los médicos. La evaluación riesgo-beneficio de este ensayo clínico es la misma que se esperaba. El riesgo es bajo en el uso clínico, tanto para los operadores como para los sujetos. En los últimos años, la aplicación de la tecnología de inteligencia artificial en el análisis de la clasificación de tejidos de imágenes médicas se está desarrollando rápidamente. Por ello, vamos a utilizar tecnología de aprendizaje profundo para mejorar la interpretación de las imágenes OCT para ayudar al diagnóstico posterior de enfermedades de la piel.

Criterios de inclusión

Grupo experimental:

1. Adultos de 20 años o más
2. Lesión no tratada de enfermedad inflamatoria epidérmica: dermatitis y psoriasis: 300 participantes.
3. Tumores benignos: queratosis seborreica y nevus: 300 participantes
4. Tumores malignos: queratosis actínica (AK), melanoma, carcinoma de células basales (BCC), enfermedad de Bowen, carcinoma de células escamosas (SCC) y enfermedad de Paget extramamaria (EMPD): 100 participantes
5. Enfermedades pigmentarias: lentigo solar, melasma y vitíligo: 300 participantes

Grupo de control:

La cara sana (sitio expuesto) y la piel interna del antebrazo (sitio no expuesto) de tumores epidérmicos y enfermedades pigmentadas del grupo experimental anterior se utilizaron como grupo de control, excluyendo las enfermedades inflamatorias epidérmicas, se esperaban 700 participantes en el grupo de control.

Criterio de exclusión

Grupo experimental:

1. Menores de edad menores de 20 años
2. Sospecha de una enfermedad infecciosa transcutánea, incluidas infecciones como bacterias, hongos, virus y parásitos.
3. Todos los tumores de piel que se encuentran en el tejido subcutáneo.
4. Todas las lesiones de la piel son heridas abiertas.
5. Todas las lesiones de la piel están en un lugar que es difícil de escanear
6. No está dispuesto a cooperar con los métodos y procedimientos relacionados de este estudio.
7. Poblaciones vulnerables, incluidos los presos, las mujeres embarazadas, los discapacitados, los discapacitados mentales, los pacientes con sida conocidos y las personas sin hogar

Grupo de control:

1. Los menores de 20 años.
2. Enfermedad inflamatoria epidérmica
3. Sospecha de una enfermedad infecciosa transcutánea, incluidas infecciones como bacterias, hongos, virus y parásitos.
4. Individuos que tienen un trastorno sistémico de la piel.
5. Individuos que tienen antecedentes de afección grave de la piel.
6. Individuos con cirugías/cirugías estéticas/microcirugía cosmética (ej. inyecciones cosméticas y/o láser, etc.) en la piel sana de la cara y la parte interna del antebrazo en los últimos 3 meses y un médico determine que la cirugía afectará el resultado de las imágenes OCT.
7. No está dispuesto a cooperar con los métodos y procedimientos relacionados de este estudio.
8. Poblaciones vulnerables, incluidos los presos, las mujeres embarazadas, los discapacitados, los discapacitados mentales, los pacientes con sida conocidos y las personas sin hogar

Se utilizó la red neuronal convolucional profunda (DCNN) para marcar el tejido y las lesiones en las imágenes OCT. Al entrenar modelos DCNN, se utilizarán estrategias de transferencia de aprendizaje para ajustar los parámetros de modelos previamente entrenados que contienen mucho conocimiento de imágenes, como GoogLeNet, en lugar de entrenar los modelos desde cero. Este método retiene el conocimiento de imágenes de bajo nivel común a las imágenes médicas y naturales, y reduce significativamente el tiempo para entrenar el modelo. Durante el proceso de entrenamiento, se fijan los parámetros de las primeras capas que almacenan el conocimiento de la imagen de bajo orden en el modelo, y el algoritmo de propagación hacia atrás cambia los parámetros de las capas posteriores del modelo. Finalmente, se agrega una capa de clasificador lineal al final de la DCNN para determinar el tipo/tamaño de los síntomas en la imagen de entrada.