Диагностика меланомы с использованием методов глубокого обучения на дерматоскопических изображениях

Введение: За последние 30 лет распространённость меланомы выросла, а раннее выявление остаётся ключевым фактором снижения смертности от этого вида рака кожи. Поэтому автоматическая надёжная система, способная выявлять меланому по дерматоскопическим изображениям очагов поражения и/или пигментации кожи, может быть очень полезным инструментом в медицинской диагностике.

Методы: Среди современных методов автоматизированной или компьютеризированной медицинской диагностики особое внимание привлекает глубокое обучение на основе свёрточных нейронных сетей, с помощью которого реализованы системы сегментации, классификации и выявления ряда заболеваний. Предложенный в этой работе метод включает начальный этап, на котором область интереса автоматически выделяется на дерматоскопическом изображении с использованием техники Mask R-CNN, и второй этап на основе структуры ResNet152, которая классифицирует очаги поражения как «доброкачественные» или «злокачественные».

Результаты: Обучение, валидация и тестирование предложенной модели проводились с использованием базы данных, связанной с конкурсным заданием, представленным на Международном симпозиуме по биомедицинской визуализации 2017 года. На тестовой выборке предложенная модель продемонстрировала увеличение точности и сбалансированной точности на 3,66% и 9,96% соответственно по сравнению с наилучшей точностью и наилучшим соотношением чувствительности и специфичности, опубликованными на тот момент для выявления меланомы в рамках этого конкурса. Кроме того, в отличие от предыдущих моделей, специфичность и чувствительность одновременно достигали высокого уровня (более 0,8), что указывает на способность модели точно различать доброкачественные и злокачественные очаги без смещения в пользу какой-либо из этих классов.

Выводы: Полученные результаты свидетельствуют о значимом превосходстве предложенной модели над результатами, достигнутыми на уровне современных подходов, в отношении эффективности классификаторов кожных очагов поражения (злокачественных/доброкачественных).