{{{sourceTextContent.title}}}

Un algoritmo di apprendimento profondo supera alcuni dermatologi bordo-certificati nella diagnosi del cancro di pelle

{{{sourceTextContent.subTitle}}}

L'apprendimento profondo è stato sollecitato affinchè il suo potenziale migliori la diagnosi delle malattie ed ora un gruppo dei ricercatori a Stanford ha sviluppato un algoritmo d'apprendimento che può rendere a questa visione una realtà per pelle cancer.*

{{{sourceTextContent.description}}}

I ricercatori, principali da Dott. Sebastian Thrun, da un professore dell'aggiunta a Stanford Artificial Intelligence Laboratory, riferito nell'emissione del 25 gennaio della natura che il loro algoritmo dell'avvolgimento profondo della rete neurale (CNN) eseguito pure o migliore di 21 dermatologo bordo-certificato a diagnosticare il cancro di pelle. (Si veda «la prestazione di classificazione del cancro di pelle del CNN (blu) e della figura dei dermatologi (rossi)» qui sotto.)

La diagnostica del cancro di pelle comincia con un esame visivo. Un dermatologo guarda solitamente la lesione sospettosa ad occhio nudo e con l'aiuto di un dermatoscope, che è un microscopio tenuto in mano che fornisce l'ingrandimento a basso livello della pelle. Se questi metodi sono inconcludenti o che conducono il dermatologo a credere che la lesione sia cancerogena, una biopsia è il punto seguente. Questo algoritmo di apprendimento profondo può aiutare i dermatologi a decidere quali lesioni cutanee da biopsiare.

«Il mio momento principale di Eureka era quando ho rend contoere appena come gli smartphones onnipresenti saranno,» ho detto Stanford Department di Andre Esteva dell'ingegneria elettrica, autore del co-cavo dello studio. «Ognuno avrà un supercomputer in loro tasche con una serie di sensori in, compreso una macchina fotografica. Che cosa se potessimo usarlo per schermare visivamente per il cancro di pelle? O altri disturbi?»

È proiettato che ci sarà 6,3 miliardo subscriptionst dello smartphone entro l'anno 2021, secondo Ericsson Mobility Report (2016), in grado di potenzialmente consentire l'accesso universale a basso costo a cura diagnostica vitale.

Creare l'algoritmo dell'avvolgimento profondo della rete neurale (CNN)

Tecnica profonda di classificazione di CNN. Il flusso di dati è da sinistra a destra: un'immagine di una lesione cutanea (per esempio, melanoma) è deformata in sequenza in una distribuzione di probabilità sopra le classi cliniche di malattia della pelle facendo uso dell'architettura di CNN dell'inizio v3 di Google pretrained sul gruppo di dati di ImageNet (1,28 milione immagini oltre 1.000 classi di oggetto generiche) e regolata sul proprio gruppo di dati del gruppo di 129.450 lesioni cutanee che comprendono 2.032 malattie differenti. (credito: Et al./natura di Andre Esteva)

Piuttosto che sviluppando un algoritmo da zero, i ricercatori hanno cominciato con un algoritmo sviluppato da Google che già è stato preparato per identificare 1,28 milione immagini da 1.000 categorie dell'oggetto. È stato destinato soprattutto per potere da differenziare i gatti dai cani, ma i ricercatori lo hanno avuto bisogno di differenziare le lesioni benigne e maligne. Così hanno collaborato con i dermatologi a Stanford Medicine come pure a Helen M. Blau, professore di microbiologia e dell'immunologia a Stanford e co-author della carta.

L'algoritmo è stato preparato con quasi 130.000 immagini che rappresentano più di 2.000 malattie differenti con un'etichetta collegata di malattia, permettendo che il sistema sormontino le variazioni nell'angolo, l'illuminazione e lo zoom. L'algoritmo poi è stato provato contro 1.942 immagini di pelle che digitalmente sono state annotate con le diagnosi biopsia-provate del cancro di pelle. In generale, l'algoritmo ha identificato la vasta maggioranza dei casi del cancro con i tassi di accuratezza che erano simili ai dermatologi clinici esperti.

Tuttavia, durante la prova, i ricercatori hanno usato le soltanto immagini di alta qualità e biopsia-confermate fornite dall'università di Edimburgo ed il progetto internazionale di collaborazione della rappresentazione della pelle che hanno rappresentato i cancri di pelle più comuni e più micidiali — carcinoma maligni e melanomi maligni.

Prestazione di classificazione del cancro di pelle del CNN (blu) e dei dermatologi (rossi). ** (credito: Et al./natura di Andre Esteva)

Al 21 dermatologo è stato chiesto se, in base ad ogni immagine, procederebbero alla biopsia o al trattamento, o rassicura il paziente. I ricercatori hanno valutato il successo da come i dermatologi potevano diagnosticare correttamente sia le lesioni di noncanceroso che cancerogene in più di 370 immagini. ***

Tuttavia, Susan Swetter, professore della dermatologia e direttore del programma pigmentato del melanoma e della lesione a Stanford Cancer Institute ed al co-author della carta, nota che «la convalida futura rigorosa dell'algoritmo è necessaria prima che possa essere implementata egualmente nella pratica clinica, dai professionisti e dai pazienti.»

* ogni anno là è circa 5,4 milione nuovi casi del cancro di pelle negli Stati Uniti e mentre il tasso di sopravvivenza quinquennale per il melanoma individuato nei suoi stati più in anticipo è intorno 97 per cento, che cade a circa 14 per cento se ha individuato nelle sue ultime fasi.

** «Prestazione di classificazione del cancro di pelle del CNN e dei dermatologi. Il CNN d'apprendimento profondo supera la media dei dermatologi alla classificazione del cancro di pelle facendo uso di fotografico e

immagini dermoscopiche. Il nostro CNN è provato contro almeno 21 dermatologo a carcinoma del keratinocyte ed al riconoscimento del melanoma. Per ogni prova, le immagini precedentemente non viste e biopsia-provate delle lesioni sono visualizzate ed ai dermatologi sono chiesti se: biopsia/ossequio la lesione o rassicurare il paziente. Sensibilità, il vero tasso positivo e specificità, il vero tasso negativo, prestazione di misura. Un dermatologo produce una singola previsione per immagine e così è rappresentato da un singolo punto rosso. I punti verdi sono la media dei dermatologi per ogni compito, con le barre di errore che denotano una deviazione standard.» — Et al./natura di Andre Esteva

Il *** la prestazione dell'algoritmo è stato misurato attraverso la creazione di una curva di sensibilità-specificità, in cui la sensibilità ha rappresentato la sua capacità di identificare correttamente le lesioni maligne e la specificità ha rappresentato la sua capacità di identificare correttamente le lesioni benigne. È stato valutato con tre mansioni diagnostiche chiave: classificazione di carcinoma del keratinocyte, classificazione del melanoma e classificazione del melanoma una volta osservato facendo uso della dermoscopia. In tutte e tre le mansioni, l'algoritmo ha abbinato la prestazione dei dermatologi con l'area sotto la curva di sensibilità-specificità che ammonta almeno a 91 per cento della superficie totale del grafico. Un vantaggio aggiunto dell'algoritmo è che, a differenza di una persona, l'algoritmo può essere reso più o meno sensibile, permettendo che i ricercatori sintonizzino la sua risposta secondo cui lo vogliono valutare. Questa capacità di alterare la sensibilità suggerisce la profondità e la complessità di questo algoritmo. L'architettura di fondo delle foto apparentemente irrilevanti — compreso i gatti ed i cani — la aiuta meglio a valutare le immagini della lesione cutanea.

Estratto della classificazione livella del dermatologo del cancro di pelle con le reti neurali profonde

Il cancro di pelle, la malignità umana più comune, soprattutto è diagnosticato visivamente, a cominciare da una selezione clinica iniziale ed è seguito potenzialmente dall'analisi dermoscopica, da una biopsia e da un esame istopatologico. La classificazione automatizzata delle lesioni cutanee facendo uso delle immagini è un compito provocatorio a causa della variabilità a grana fine nell'aspetto delle lesioni cutanee. Potenziale dell'avvolgimento profondo di manifestazione delle reti neurali (CNNs) per le mansioni generali ed altamente variabili attraverso molte categorie a grana fine dell'oggetto. Qui dimostriamo la classificazione delle lesioni cutanee facendo uso di singolo CNN, abbiamo preparato faccia a faccia dalle immagini direttamente, facendo uso di soli pixel ed etichette di malattia come input. Prepariamo un CNN facendo uso di un gruppo di dati di più grande gruppo di dati-consistere precedente di 129.450 ordini di grandezza clinici di immagini-due da 2.032 malattie differenti. Verifichiamo la sua prestazione contro 21 dermatologo bordo-certificato sulle immagini cliniche biopsia-provate con due casi binari critici di uso di classificazione: carcinoma del keratinocyte contro le cheratosi seborrheic benigne; e melanomi maligni contro i nei benigni. Il primo caso rappresenta l'identificazione dei cancri più comuni, il secondo rappresenta l'identificazione del cancro di pelle più micidiale. Il CNN raggiunge la prestazione alla pari di tutti gli esperti esaminati attraverso entrambe le mansioni, dimostranti un'intelligenza artificiale capace della classificazione del cancro di pelle con un livello di competenza comparabile ai dermatologi. Equipaggiato con le reti neurali profonde, i dispositivi mobili possono potenzialmente estendere la portata dei dermatologi fuori della clinica. È proiettato che 6,3 miliardo sottoscrizioni dello smartphone esisteranno entro l'anno 2021 e possono quindi potenzialmente consentire l'accesso universale a basso costo a cura diagnostica vitale.