Co studie hodnotila
Studie hodnotila klasifikátor na bázi hlubokého učení s více třídami pomocí architektury CoAtNet pro detekci melanomu z dermatoskopických obrazů. Kromě výkonu klasifikace se studie zaměřila na vysvětlitelnost modelu, přičemž použila vizualizaci Grad-CAM k posouzení, zda predikce sítě jsou řízeny klinicky relevantními oblastmi obrazu.
Výsledky studie v klinické praxi
Model dosáhl vysokého výkonu klasifikace napříč kategoriemi malighních a benigních kožních lézí a prokázal konzistentní aktivaci klinicky významných oblastí ve vysvětlitelnostních mapách. V praxi to podporuje využití hlubokého učení jako nástroje pro podporu rozhodování a vzdělávání, pomáhá klinickým pracovníkům porozumět tomu, proč je léze označena jako podezřelá. Nicméně, studie je preklinická a nehodnotí integraci reálného pracovního procesu diagnostiky nebo výsledky pacientů.
Klíčová čísla
Analyzované obrázky: 6 826 dermatoskopických obrázků
Testovací sada: 300 obrázků (melanom, non-melanomový rakovinný, benigní léze)
Celková přesnost: 90,1 %
Celkový výskyt: 89,5 %
Průměrná přesnost (AP): 92,3 %
Výskyt třídy melanomu: 87,5 %
Melanom je považován za nejagresivnější formu rakoviny kůže. V současnosti se hodnocení malignity provádí především invazivním histologickým vyšetřením podezřelého léze. Vyvinutí přesného klasifikátoru pro včasné a efektivní odhalení může minimalizovat a sledovat škodlivé účinky rakoviny kůže a zvýšit míry přežití pacientů. Vzhledem k podobnému tvaru maligních a benigních rakovinných lézí tráví lékaři při diagnostice těchto nálezů mnohem více času. Nicméně použití přístupu hlubokého učení jako nástroje počítačového vidění může překonat některé z těchto výzev. Tento dokument navrhuje úkol vícetrídní klasifikace pomocí architektury CoAtNet, hybridního modelu, který kombinuje hlubokou matice konvoluce tradičních konvolučních neuronových sítí s výhodami modelů Transformer a mechanikou sebereflexe, aby dosáhl lepší generalizace a kapacity. Model byl hodnocen na základě přesnosti, odvolání a AP. Navrhovaný vícetrídní klasifikátor dosahuje celkové přesnosti 0,901, odvolání 0,895 a AP 0,923, což naznačuje vysoký výkon v porovnání s jinými špičkovými sítěmi. Navrhovaný přístup by měl poskytnout méně složitý rámec pro automatizaci diagnostického procesu melanomu a urychlit proces záchrany života.
