در میان متخصصان پوست، دقت کلی برای طبقه‌بندی صحیح MIS 63 درصد و برای ملانوم‌های مهاجم 71 درصد بود.
پیوند بین انسان و ماشین
اهمیت ضخامت
ملانوما با بررسی با درماتوسکوپ – نوعی ذره بین مجهز به نور روشن – ارزیابی می شود. تشخیص ملانوما اغلب نسبتاً ساده است، اما تخمین ضخامت آن چالش بسیار بزرگتری است.
438 متخصص پوست بین‌المللی با استفاده از یک پلتفرم وب، نزدیک به 1500 تصویر ملانوما را که با درماتوسکوپ گرفته شده بود، ارزیابی کردند. سپس نتایج متخصصان پوست با نتایج یک الگوریتم یادگیری ماشینی که در طبقه بندی عمق ملانوما آموزش دیده بود، مقایسه شد.
نتایج در ژورنال آکادمی اروپایی پوست و ونیرولوژی، JEADV منتشر شده است. این مطالعه با همکاری محققان دانشگاه پزشکی وین اتریش انجام شد.
سطح زیر منحنی، که اندازه‌گیری از 0 تا 1 در عملکرد است، 0.83 برای الگوریتم یادگیری ماشینی از پیش آموزش دیده و 0.85 برای AUC ترکیبی خوانندگان منفرد بود. در مجموع، ارزیابی متخصصان پوست با الگوریتم آموزش دیده در تشخیص MIS و ملانوم تهاجمی انجام شد.
منبع داستان:
در تشخیص ملانوما، متخصصان پوست ارزیابی می کنند که آیا این یک شکل تهاجمی (“ملانوم تهاجمی”)، که در آن سلول های سرطانی به داخل درم رشد می کنند و خطر گسترش به سایر قسمت های بدن وجود دارد یا یک شکل خفیف تر (“ملانوم”) است. در موقعیت“MIS) که فقط در لایه بیرونی پوست، اپیدرم، ایجاد می شود. ملانوم های تهاجمی که در عمق بیش از یک میلی متر در پوست رشد می کنند، ضخیم و به این ترتیب، تهاجمی تر در نظر گرفته می شوند.
Polesie می افزاید: “مطالعه ما مشکلات ارزیابی صحیح ضخامت ملانوم را بر اساس تصاویر درموسکوپی برجسته می کند.”
ارزیابی ضخامت ملانوم، چه توسط یک متخصص پوست با تجربه یا یک الگوریتم آموزش ماشینی آموزش دیده، دشوار است. مطالعه‌ای در دانشگاه گوتنبرگ نشان می‌دهد که الگوریتم و متخصصان پوست در تفسیر تصاویر درموسکوپی موفقیت یکسانی داشتند.
ارزیابی سخت است
جالب اینجاست که سابقه و تجربه حرفه ای در درموسکوپی هیچ تاثیری بر دقت تشخیصی در پیش بینی ضخامت ملانوما ندارد.
هوش مصنوعی (AI) در حال انجام جهش های بزرگ در مراقبت های بهداشتی است. به ویژه انتظار می رود که این فناوری بتواند به عنوان پشتیبانی از تصویربرداری پزشکی – یعنی برای پزشکانی که تصاویر را ارزیابی و تفسیر می کنند، مانند اشعه ایکس و تصاویر شبکیه چشم و تغییرات پوست، توسعه یابد. این فناوری برای مناطقی غیر از تشخیص تصویر نیز قابل استفاده است.
“در مطالعات آینده، هدف ما بررسی سودمندی ساختارهای درموسکوپی از پیش تعریف شده برای تمایز است. ما همچنین می خواهیم آزمایش کنیم که آیا تصمیم گیری بالینی در این شرایط می تواند با استفاده از الگوریتم های یادگیری ماشینی بهبود یابد.”
سام پولسی، دانشیار پوست و ونرولوژی در آکادمی Sahlgrenska، دانشگاه، می‌گوید: «ضخامت آن علاوه بر ارائه اطلاعات پیش‌آگهی ارزشمند، ممکن است بر انتخاب حاشیه‌های جراحی برای اولین عمل و اینکه چقدر باید سریع انجام شود، تأثیر بگذارد. از گوتنبرگ، Polesie همچنین یک متخصص پوست در بیمارستان دانشگاه Sahlgrenska و اولین نویسنده این مطالعه است.
مواد تهیه شده توسط دانشگاه گوتنبرگ. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
