皮肤科医师与深度卷积神经网络诊断色素痣和脂溢性角化病皮肤镜图像比较

作者：王诗琪; 刘洁^*; 朱晨雨; 舒畅; 周航宁; 谢凤英; 徐涛; 晋红中

来源：中华皮肤科杂志, 2018, 51(07): 486-489.

DOI：10.3760/cma.j.issn.0412-4030.2018.07.002

• 痣, 色素
• 角化病, 脂溢性
• 皮肤镜检查
• 神经网络(计算机)
• 人工智能
• 深度卷积神经网络

目的比较深度卷积神经网络(CNN)与皮肤科医师对色素痣和脂溢性角化病的诊断准确率。方法使用5 094幅色素痣和脂溢性角化病(SK)的皮肤镜图像对CNN网络ResNet-50通过迁移学习进行训练, 建立CNN二分类模型, 并应用该模型对30幅色素痣和30幅SK的皮肤镜图像进行自动分类。同时, 95位经过皮肤镜培训的有经验的皮肤科医师结合临床皮损图片对上述CNN自动分类的60幅皮肤镜图像进行判读。比较二者的诊断准确率, 并对错误分类的图像做进一步统计分析。结果 CNN自动分类模型对色素痣和SK的皮肤镜图像的分类准确率分别为100%(30/30)和76.67%(23/30), 总准确率为88.33%(53/60);95位皮肤科医师的诊断准确率平均值分别为82.98%(25.8/30)和85.96%(24.9/30), 总准确率为84.47%(50.7/60)。CNN自动分类模型与95位皮肤科医师对色素痣和SK的诊断准确率差异无统计学意义(χ2 = 0.38, P > 0.05)。CNN错误分类的皮肤镜图像被分为3类, 即特殊类型(如皮损色素含量多、角化明显), 具有典型特征但存在干扰因素, 具有典型特征尚找不到错误分类的原因。结论 CNN自动分类模型在色素痣和SK皮肤镜图像的二分类任务中的表现与有经验的皮肤科医师水平相当。CNN错误分类的原因仍需皮肤科医师与人工智能专业人员共同探索。

• 单位
  中国医学科学院基础医学研究所; 北京航空航天大学; 北京协和医学院; 北京协和医院