Sztuczna inteligencja w diagnostyce zmian melanocytowych
Autor: Alicja Kostecka
Data: 18.03.2019
Źródło: AK/https://jamanetwork.com/journals/jamadermatology/fullarticle/2716294?guestAccessKey=3291542b-6dfa-4e78-adad-a401d45de605&utm_source=silverchair&utm_medium=email&utm_campaign=article_alert-jamadermatology&utm_content=etoc&utm_term=010919
Dostępne są już pierwsze doniesienia potwierdzające wysoką skuteczność sztucznej inteligencji opartej na połączonych, splotowych sieciach neuronowych (ang. convolutional neural networks) w diagnostyce zmian melanocytowych. Ostatnio w JAMA Dermatology ukazała się publikacja przedstawiająca skuteczność sztucznej inteligencji w rozpoznawaniu raków skóry pozbawionych pigmentu (ang. nonpigmented skin cancers).
Sieć neuronowa została oparta na zbiorze danych z ponad 14 tys. zdjęć dermoskopowych lub wykonanych aparatem w dużym przybliżeniu przedstawiających raki skóry. Utworzoną sieć neuronową przetestowano na zbiorze 2072 przypadków oraz porównano wyniki sieci z wynikami uzyskanymi na tym samym zbiorze przez 95 lekarzy z różnych doświadczeniem w wykonywaniu dermoskopii (trzy grupy: < 3 lat doświadczenia - „początkujący”, 3-10 lat doświadczenia - „zaawansowani”, >10 lat doświadczenia - „eksperci”).
Obszar pod krzywą (ang. Area Under the Curve) był wyższy w przypadku sieci neuronowej niż w przypadku ludzi (odpowiednio: 0,742; 95% CI: 0,729-0,755 vs. 0,695; 95% CI: 0,676-0,713; p < 0,01). Sieć neuronowa osiągnęła wyższą skuteczność w postawieniu konkretnej diagnozy w porównaniu ze wszystkimi lekarzami (odpowiednio: 37,6% vs. 33,5%; p = 0,001), ale w porównaniu z ekspertami w dermoskopii różnica była nieistotna statystycznie (sieć vs. eksperci: 37,3% vs. 40,0%; p = 0,18), co wskazuje, że trafność diagnoz stawianych przez model sztucznej inteligencji dorównywał najbardziej doświadczonym dermatologom.
Przedstawione wyniki eksperymentalnej sieci neuronowej dają nadzieję, na stworzenie precyzyjnego narzędzia diagnostycznego pomagającego klinicystom w rozpoznawaniu raków skóry.
Obszar pod krzywą (ang. Area Under the Curve) był wyższy w przypadku sieci neuronowej niż w przypadku ludzi (odpowiednio: 0,742; 95% CI: 0,729-0,755 vs. 0,695; 95% CI: 0,676-0,713; p < 0,01). Sieć neuronowa osiągnęła wyższą skuteczność w postawieniu konkretnej diagnozy w porównaniu ze wszystkimi lekarzami (odpowiednio: 37,6% vs. 33,5%; p = 0,001), ale w porównaniu z ekspertami w dermoskopii różnica była nieistotna statystycznie (sieć vs. eksperci: 37,3% vs. 40,0%; p = 0,18), co wskazuje, że trafność diagnoz stawianych przez model sztucznej inteligencji dorównywał najbardziej doświadczonym dermatologom.
Przedstawione wyniki eksperymentalnej sieci neuronowej dają nadzieję, na stworzenie precyzyjnego narzędzia diagnostycznego pomagającego klinicystom w rozpoznawaniu raków skóry.
