CNN-pohjainen tekoäly vs. lääkärit yksinäisen ihomuutoksen diagnosoinnissa

Tämä tutkimus on retrospektiivinen, havainnollinen diagnoosintarkkuustutkimus, jonka tarkoituksena on arvioida konvoluutioneuroverkkoon (CNN) perustuvan tekoälymallin suorituskykyä yksittäisten ihomuutosten arvioinnissa makroskooppisten kliinisten kuvien avulla.

Makroskooppiset kliiniset kuvat yksittäisistä ihomuutoksista, joilla on histopatologinen tai kliinisesti varmistettu diagnoosi, haetaan retrospektiivisesti Istanbulin koulutus- ja tutkimussairaalan dermatologian kuvakokoelmasta. Kaikki kuvat ja niihin liittyvät kliiniset asiakirjat anonymisoidaan ennen analyysiä, ja kaikki yksilöivä visuaalinen tai tekstuaalinen tieto poistetaan. Tiedonkäsittely ja analyysi suoritetaan turvallisessa, laitokseen perustuvassa ympäristössä, johon pääsy on rajoitettu tutkimusryhmän jäsenille.

CNN-pohjainen tekoälymalli kehitetään ohjatun oppimisen tekniikoilla. Kuvan esikäsittelyvaiheisiin kuuluu koon muuttaminen standardoituihin syöttömittoihin, värin normalisointi ja alueiden poistaminen, jotka saattavat sisältää mahdollisesti yksilöivää tietoa. Aineisto jaetaan koulutus-, validointi- ja testijoukkoihin mallin kehittämisen, hyperparametrien optimoinnin ja riippumattoman suorituskyvyn arvioinnin mahdollistamiseksi. Mallin koulutus ja arviointi toteutetaan PyTorch-syväoppimisympäristön avulla.

CNN-pohjaisen mallin diagnoosintarkkuutta arvioidaan standardoiduilla luokittelumittareilla, ja sitä verrataan dermatologien, dermatologian erikoislääkärikoulutettavien ja ei-dermatologien lääkärien riippumattomiin arvioihin, jotka arvioivat samaa anonymisoitua kuvajoukkoa ilman pääsyä lisäkliiniseen tai histopatologiseen tietoon. Vertailuanalyysit suoritetaan arvioimaan tekoälymallin ja lääkäriryhmien välisiä eroja diagnoosintarkkuudessa ja yksimielisyydessä.