Слишком много, слишком мало, в самый раз. Это может показаться строчкой из "Златовласка и три медведя," но на самом деле описывает важный вывод исследователей из Колледжа инженерии и информатики Атлантического университета Флориды. Они разработали методику с использованием машинного обучения – подраздела искусственного интеллекта (ИИ) – который улучшит компьютерную диагностику (CADx) меланомы. Благодаря созданному ими алгоритму, который можно использовать в разрабатываемых мобильных приложениях для диагностики подозрительных родинок, они смогли определить "сладкое пятно" в классификации изображений поражений кожи.
Это новое открытие, опубликованное в Journal of Digital Imaging, в конечном итоге поможет клиницистам более надежно выявлять и диагностировать кожные поражения меланомы, отличая их от других типов кожных поражений. Исследование проводилось в NSF Industry / University Cooperative Research Center for Advanced Knowledge Enablement (CAKE) в FAU и финансировалось отраслевыми членами Центра.
Меланома является особенно смертельной формой рака кожи, если ее не диагностировать. Только в Соединенных Штатах в 2016 году было зарегистрировано 76380 новых случаев меланомы и 6750 случаев смерти от меланомы. Злокачественная меланома и доброкачественные поражения кожи часто очень похожи на неопытный глаз. За прошедшие годы дерматологи разработали различные методы эвристической классификации для диагностики меланомы, но с ограниченным успехом (точность от 65 до 80 процентов). В результате компьютерные ученые и врачи объединились для разработки инструментов CADx, способных помочь врачам классифицировать поражения кожи, которые потенциально могут спасти множество жизней каждый год.
"Современные системы CADx основаны на архитектурах глубокого обучения, которые в основном состоят из метода, используемого для обучения компьютеров выполнению интеллектуальной задачи. Мы скармливаем им огромные объемы данных, чтобы они могли научиться извлекать из них смысл и, в конечном итоге, продемонстрировать производительность, сравнимую с человеческими экспертами – в данном случае дерматологами," сказал Oge Marques, Ph.D., ведущий автор исследования и профессор кафедры компьютерной и электротехнической инженерии и компьютерных наук FAU, специализирующийся на машинном познании, медицинской визуализации и технологиях здравоохранения. "Мы не пытаемся заменить врачей или других медицинских работников искусственным интеллектом. Мы пытаемся помочь им решить проблему быстрее и с большей точностью, другими словами, используя расширенный интеллект."
Изображения поражений кожи часто содержат больше, чем просто поражения кожи – фоновый шум, волосы, шрамы и другие артефакты на изображении могут потенциально сбить с толку систему CADx. Чтобы классификатор не связал эти нерелевантные артефакты с меланомой, изображения сегментированы на две части, отделяя поражение от окружающей кожи, в надежде, что сегментированное поражение будет легче проанализировать и классифицировать.
"Предыдущие исследования дали противоречивые результаты: некоторые исследования показывают, что сегментация улучшает классификацию, в то время как другие исследования показывают, что сегментация вредна из-за потери контекстной информации вокруг области поражения," сказал Маркес. "То, насколько мы сегментируем изображение, может помочь или затруднить классификацию кожных повреждений."
Имея это в виду, Маркес и его сотрудники Борко Фюрт, доктор философии.D., профессор кафедры электротехники, вычислительной техники и информатики FAU и директор CAKE в FAU, спонсируемого NSF; Джек Бердик, студент второго курса магистратуры FAU; и Джанет Вайнталь, студентка FAU, проверила свою гипотезу: "Насколько много сегментации слишком много?"
Чтобы проверить свою гипотезу, исследователи сначала сравнили влияние отсутствия сегментации, полной сегментации и частичной сегментации на классификацию и продемонстрировали, что частичная сегментация приводит к лучшим результатам. Затем они приступили к определению степени сегментации "в самый раз." Для этого они использовали три степени частичной сегментации, исследуя, как граница неповреждения переменного размера вокруг сегментированного поражения кожи влияет на результаты классификации. Они проводили сравнения систематическим и воспроизводимым образом, чтобы эмпирически продемонстрировать, что определенная граница сегментации вокруг поражения может улучшить эффективность классификации.
Их результаты показывают, что расширение границы за пределы поражения для включения ограниченного количества фоновых пикселей улучшает способность классификатора отличать меланому от доброкачественного поражения кожи.
"Наши экспериментальные результаты показывают, что существует «золотая середина» в той степени, в которой окружающая кожа не является ни слишком большой, ни слишком маленькой и обеспечивает «правильный» объем контекста," сказал Маркес.
Их метод показал улучшение по всем соответствующим параметрам работы классификатора кожных повреждений.