Deep Learning su tomogramma 3D a risoluzione cellulare

Introduzione La tecnologia della tomografia ottica coerente (OCT) è stata ampiamente utilizzata nella pratica medica, come l'oftalmologia. L'applicazione in dermatologia è lentamente progredita fino al netto miglioramento della risoluzione recente. Uno dei dispositivi OCT di nuova concezione utilizzati in questo studio si basa sulla ricerca e lo sviluppo del professor Sheng-Lung Huang della National Taiwan University. La sorgente luminosa è stata realizzata con fibra cristallina ricoperta di vetro originale che ha fornito con successo una risoluzione inferiore al micron sulla pelle, che è migliore della tradizionale risoluzione di 5-10 micron dell'OCT ad alta definizione. Questo nuovo sistema OCT (ApolloVue™ S100 image system, Viper1-S003, Apollo Medical Optics) è stato utilizzato in questo precedente studio clinico "immagini OCT in vivo di diverse malattie della pelle" senza eventi avversi. Le immagini OCT di diverse malattie della pelle raccolte in quella sperimentazione sono state confrontate con sezioni patologiche colorate con HE. Hanno fornito informazioni utili ai medici. La valutazione del rapporto rischio-beneficio di questo studio clinico è la stessa prevista. Il rischio è basso nell'uso clinico, sia per gli operatori che per i soggetti. Negli ultimi anni, l'applicazione della tecnologia dell'intelligenza artificiale nell'analisi della classificazione dei tessuti delle immagini mediche si sta sviluppando rapidamente. Pertanto, utilizzeremo la tecnologia del deep learning per migliorare l'interpretazione delle immagini OCT per aiutare la successiva diagnosi delle malattie della pelle.

Criterio di inclusione

Gruppo sperimentale:

1. Adulti di età pari o superiore a 20 anni
2. Lesione non trattata della malattia infiammatoria epidermica: dermatiti e psoriasi: 300 partecipanti.
3. Tumori benigni: cheratosi seborroica e nevo: 300 partecipanti
4. Tumori maligni: cheratosi attinica (AK), melanoma, carcinoma a cellule basali (BCC), malattia di Bowen, carcinoma a cellule squamose (SCC) e malattia di Paget extramammaria (EMPD): 100 partecipanti
5. Malattie pigmentate: lentigo solare, melasma e vitiligine: 300 partecipanti

Gruppo di controllo:

La pelle sana del viso (sito esposto) e dell'avambraccio interno (sito non esposto) dei tumori epidermici e delle malattie pigmentate del suddetto gruppo sperimentale sono state utilizzate come gruppo di controllo, escluse le malattie infiammatorie epidermiche, erano previsti 700 partecipanti al gruppo di controllo.

Criteri di esclusione

Gruppo sperimentale:

1. Minori di età inferiore a 20 anni
2. Si sospetta una malattia infettiva transcutanea, comprese infezioni come batteri, funghi, virus e parassiti.
3. Tutti i tumori della pelle che si trovano nel tessuto sottocutaneo
4. Tutte le lesioni cutanee sono ferite aperte
5. Tutte le lesioni cutanee si trovano in una posizione difficile da scansionare
6. Non disposto a collaborare con i metodi e le relative procedure di questo studio
7. Popolazioni vulnerabili, inclusi detenuti, donne in gravidanza, portatori di handicap, disabili mentali, malati di AIDS noti e senzatetto

Gruppo di controllo:

1. Minori di età inferiore a 20 anni.
2. Malattia infiammatoria epidermica
3. Si sospetta una malattia infettiva transcutanea, comprese infezioni come batteri, funghi, virus e parassiti.
4. Individui che hanno una malattia sistemica della pelle.
5. Individui che hanno una storia di grave condizione della pelle
6. Soggetti con interventi chirurgici/interventi estetici/microchirurgia estetica (es. iniezioni cosmetiche e/o laser ecc.) sulla pelle sana del viso e dell'avambraccio interno negli ultimi 3 mesi e un medico determina che l'intervento influirà sull'esito delle immagini OCT.
7. Non disposto a collaborare con i metodi e le relative procedure di questo studio
8. Popolazioni vulnerabili, inclusi detenuti, donne in gravidanza, portatori di handicap, disabili mentali, malati di AIDS noti e senzatetto

La rete neurale convoluzionale profonda (DCNN) è stata utilizzata per contrassegnare il tessuto e le lesioni nelle immagini OCT. Durante l'addestramento dei modelli DCNN, verranno utilizzate strategie di trasferimento dell'apprendimento per mettere a punto i parametri da modelli pre-addestrati che contengono molta conoscenza dell'immagine, come GoogLeNet, piuttosto che addestrare i modelli da zero. Questo metodo mantiene la conoscenza delle immagini di basso livello comune alle immagini naturali e mediche e riduce significativamente il tempo necessario per addestrare il modello. Durante il processo di addestramento, i parametri dei primi livelli che memorizzano la conoscenza dell'immagine di ordine inferiore nel modello vengono fissati ei parametri dei livelli successivi del modello vengono modificati dall'algoritmo di retropropagazione. Infine, viene aggiunto uno strato di classificatore lineare alla fine del DCNN per determinare il tipo/dimensione dei sintomi nell'immagine di input.