Aprendizado profundo em Tomograma de resolução celular 3D

Introdução A tecnologia de tomografia coerente óptica (OCT) tem sido amplamente utilizada na prática médica, como a oftalmologia. A aplicação em dermatologia progrediu lentamente até a melhora acentuada da resolução recentemente. Um dos dispositivos OCT recém-projetados usados ​​neste estudo é baseado na pesquisa e desenvolvimento do professor Sheng-Lung Huang, da Universidade Nacional de Taiwan. A fonte de luz foi feita com fibra cristalina coberta de vidro original que forneceu com sucesso uma resolução submicrométrica na pele, o que é melhor do que a resolução tradicional de 5-10 mícrons da OCT de alta definição. Este novo sistema de OCT (sistema de imagem ApolloVue™ S100, Viper1-S003, Apollo Medical Optics) foi usado neste ensaio clínico anterior "imagens de OCT in vivo de diferentes doenças de pele" sem eventos adversos. As imagens de OCT de diferentes doenças de pele coletadas naquele estudo foram comparadas com seções patológicas coradas com HE. Eles forneceram informações úteis aos médicos. A avaliação risco-benefício deste ensaio clínico é a mesma esperada. O risco é baixo no uso clínico, tanto para os operadores quanto para os sujeitos. Nos últimos anos, a aplicação da tecnologia de inteligência artificial na análise da classificação de tecidos de imagens médicas está se desenvolvendo rapidamente. Portanto, vamos usar a tecnologia de aprendizado profundo para melhorar a interpretação das imagens de OCT para ajudar no diagnóstico subsequente de doenças de pele.

Critério de inclusão

Grupo experimental:

1. Adultos com 20 anos ou mais
2. Lesão não tratada da doença inflamatória epidérmica: dermatite e psoríase: 300 participantes.
3. Tumores benignos: ceratose seborreica e nevo: 300 participantes
4. Tumores malignos: ceratose actínica (CA), melanoma, carcinoma basocelular (CBC), doença de Bowen, carcinoma espinocelular (CEC) e doença de Paget extramamária (EMPD): 100 participantes
5. Doenças pigmentares: lentigo solar, melasma e vitiligo: 300 participantes

Grupo de controle:

A face saudável (local exposto) e a pele interna do antebraço (local não exposto) de tumores epidérmicos e doenças pigmentadas do grupo experimental acima foram usadas como grupo controle, excluindo doenças inflamatórias epidérmicas, 700 participantes no grupo controle eram esperados.

Critério de exclusão

Grupo experimental:

1. Menores de 20 anos
2. Suspeita de doença infecciosa transcutânea, incluindo infecções como bactérias, fungos, vírus e parasitas.
3. Todos os tumores de pele que estão no tecido subcutâneo
4. Todas as lesões cutâneas são feridas abertas
5. Todas as lesões cutâneas estão em um local difícil de escanear
6. Não está disposto a cooperar com métodos e procedimentos relacionados a este estudo
7. Populações vulneráveis, incluindo prisioneiros, mulheres grávidas, deficientes físicos, deficientes mentais, pacientes com AIDS conhecida e sem-teto

Grupo de controle:

1. Menores de 20 anos.
2. Doença inflamatória epidérmica
3. Suspeita de doença infecciosa transcutânea, incluindo infecções como bactérias, fungos, vírus e parasitas.
4. Indivíduos que têm uma doença sistêmica da pele.
5. Indivíduos com histórico de problemas de pele graves
6. Indivíduos com cirurgias/cirurgias estéticas/microcirurgias estéticas (ex. injeções cosméticas e/ou laser etc.) em pele saudável na face e antebraço interno nos últimos 3 meses e um médico determinar que a cirurgia afetará o resultado das imagens de OCT.
7. Não está disposto a cooperar com métodos e procedimentos relacionados a este estudo
8. Populações vulneráveis, incluindo prisioneiros, mulheres grávidas, deficientes físicos, deficientes mentais, pacientes com AIDS conhecida e sem-teto

Rede neural convolucional profunda (DCNN) foi usada para marcar tecidos e lesões em imagens de OCT. Ao treinar modelos DCNN, estratégias de aprendizado de transferência serão usadas para ajustar os parâmetros de modelos pré-treinados que contêm muito conhecimento de imagem, como GoogLeNet, em vez de treinar os modelos do zero. Este método retém o conhecimento de imagem de baixo nível comum a imagens naturais e médicas e reduz significativamente o tempo para treinar o modelo. Durante o processo de treinamento, os parâmetros das primeiras camadas que armazenam o conhecimento da imagem de baixa ordem no modelo são fixados e os parâmetros das camadas subsequentes do modelo são alterados pelo algoritmo de retropropagação. Por fim, uma camada de classificador linear é adicionada ao final da DCNN para determinar o tipo/tamanho dos sintomas na imagem de entrada.