Faltungsneurale Netze in der Dermatologie

Was ist eine Faltung? neuronale Netz?

Ein Convolutional Neural Network (CNN) ist eine Art tiefes neuronales Netzwerk mit künstlicher Intelligenz, das in der Bildverarbeitung verwendet wird. [1]. Das Netzwerk nimmt ein Eingabebild und erzeugt anhand eines Katalogs vorhandener Bilder eine Ausgabe, die dem Eingabebild entspricht. ein neuronales Netzwerk basiert auf Ähnlichkeiten miteinander verbundener biologischer Neuronen und ist so strukturiert, dass es lernt und seine Leistung verbessert, basierend darauf, wie viele Bilder das CNN „sieht“ und wie viele Faltungen (kombinierte Eingaben aus zwei Bildern, einem neuen und einem bestehenden Katalog, um eine Ausgabe zu erstellen) das sind das CNN generiert .

CNNs gelten als nützliches neues Werkzeug für Dermatologen um eine bessere Diagnose zu ermöglichen Verletzungen. Die Arbeit, die ein CNN leistet, um aus einem Bild ein Diagnoseergebnis zu erstellen, ist ähnlich Dermatologe nutzt ihre Ausbildung und ihr Wissen: Die Diagnose von Läsionen durch einen Dermatologen erfordert im Allgemeinen ein Eingabebild (von a Haut- Verletzung) durch ein Verarbeitungsnetzwerk (die Fähigkeiten und das Wissen des Dermatologen, der es analysiert und die verfügbaren Informationen synthetisiert) zugeführt, um eine „Klasse“ (oder Diagnose) oder eine „Klassenwahrscheinlichkeit“ zu generieren (Differenzialdiagnose) [2].

Die visuelle Natur von Dermatologie eignet sich gut für die digitale Bildgebung von Läsionen, und CNNs haben ein enormes Potenzial, die Praxis zu verändern. Es handelt sich um ein vielseitiges Mittel zur Datenanalyse, das komplexe Mathematik erfordert und eine enorme Rechenleistung erfordert, um Biologie, Mathematik und Informatik zu kombinieren.

Wer nutzt Faltungs-Neuronale Netze?

CNNs wurden in militärischen und zivilen Anwendungen eingesetzt, einschließlich unbemannter Luftnetzwerke. Fahrzeuge, der Technologiesektor und der Handel [3]. Sie finden sich in alltäglichen Anwendungen wie Social-Media-Plattformen, die Gesichter automatisch erkennen, in Fotogalerien mit automatischer Tag-Kennzeichnung und auf Shopping-Websites, die Vorschläge basierend auf Ihren Surfgewohnheiten im Internet anbieten.

Im medizinischen Bereich nutzen Forscher CNN zur Diagnose diabetischer Augenerkrankungen. Arrhythmienund Hautkrebs [3–5].

Erzählen Sie mir mehr über Faltungs-Neuronale Netze.

Die Grundlage eines CNN ist eine Berechnungsmethode, die anhand eindeutiger Merkmale, die zuverlässig zur Identifizierung der Bildklasse verwendet werden können, wie Kanten und Kurven, zwischen verschiedenen Bildklassen unterscheiden kann. Diese Basis wird dann um abstraktere Funktionen erweitert, die durch eine Reihe von Ausgabeschichten und Faltungspooling hinzugefügt werden.

Schritt 1: Faltungsschichten

Ein Bild wird in einen Computer eingespeist und je nach Farbe als unterschiedliche Anordnung von Pixeln (Punkten) verarbeitet. Bei diesem Vorgang werden Bildausschnitte nach einem bestimmten Filter konvertiert. [2]. Filter beginnen oft mit der Analyse einfacher Merkmale wie gerader Linien, diagonaler Linien, gekrümmter Linien oder Punkte. Jedes Mal, wenn ein Filter über das Originalbild geführt wird, wird eine neue, kleinere Version des Originalfotos erstellt. Positiven Filterübereinstimmungen wird ein positiver Wert zugewiesen, und Bereichen, die nicht übereinstimmen, wird ein Wert kleiner als 1 zugewiesen. Dies führt zu einem verschachtelten Bild; Beispielsweise wurde ein gerader Linienfilter über ein Bild von a geleitet akral Nävus mit einem Muster aus parallelen Rillen Dermoskopie zeigt ein stark positives Faltungsbild. Dieser Schritt kann mit weiteren Funktionen wiederholt werden, um ein genaueres Ergebnis (z. B. eine Diagnose oder Differenzialdiagnose) zu erzielen.

Schritt 2: Pooling-Schicht

Wenn das resultierende Bild groß ist, müssen die Schichten des neuronalen Netzwerks möglicherweise zwischen aufeinanderfolgenden Faltungen „gebündelt“ werden, um einen interessierenden Bereich im Bild zu fixieren und Parameter um diesen Bereich herum zu entfernen. [2]. Es gibt verschiedene Pooling-Typen, der am häufigsten verwendete Typ ist jedoch die Max-Pooling-Methode (siehe Abbildung unten).

Oft gibt es einen zusätzlichen Normalisierungsschritt, eine gängige Technik zur Verbesserung der Leistung und Stabilität eines neuronalen Netzwerks. Dies funktioniert durch die Standardisierung der vom neuronalen Netzwerk analysierten Eingaben, um sicherzustellen, dass jede Eingabe ungefähr gleich ist Rahmen. Daher weist das neuronale Netzwerk einem Eingabefilter aufgrund eines Skalenunterschieds keine falsche Bedeutung gegenüber einem anderen einfachen zu. Dieser Prozess erhöht die Lernrate eines neuronalen Netzwerks erheblich.

Schritt 3: Ausgabeebene

Um eine Ausgangsdifferenzialdiagnose für eine vermutete Verletzung zu erstellen, muss das neutrale Netzwerk eine vollständig verbundene Schicht anwenden, die auf allen Schichten basiert, die es zuvor verarbeitet hat. Dies ähnelt einem Dermatologen, der die verschiedenen Hinweise mit einer Reihe von Differentialdiagnosen zu einer vorläufigen Diagnose zusammenfasst.

Das CNN kann jetzt mit zusätzlichen Funktionen trainiert werden, um die Genauigkeit zu verbessern und sich selbst beizubringen, neue Läsionen zu identifizieren (z. B. Backpropagation, die dem Netzwerk beibringt, bei der Auswahl eines falschen Ergebnisses die den Funktionen zugewiesene Gewichtung zu ändern, wenn eine Ausgabeklasse ausgewählt wird). [1].

Welche Vorteile bieten Faltungs-Neuronale Netze?

Zu den Vorteilen von CNNs bei der Diagnose von Hautläsionen gehören Genauigkeit, Geschwindigkeit und niedrige Kosten.

• Die Genauigkeit der klinischen Diagnose für Melanom ist abhängig über die Erfahrung und Ausbildung des untersuchenden Arztes; CNNs waren in begrenzten Fällen in der Lage, ebenso gute Ergebnisse zu erzielen wie staatlich geprüfte Dermatologen, und ihre Genauigkeit wird sich in Zukunft weiter verbessern. [6,7].
• Derzeit benötigen CNNs Sekunden bis Minuten, um eine Diagnose zu stellen, wenn sie mit einem Bild einer Hautläsion konfrontiert werden. Eingaben, Algorithmen und Ausgaben können außerhalb der Bürozeiten vorgenommen werden und sind für jeden mit Internetzugang zugänglich. Vergleichen Sie diese kurze Zeit mit den Warte- und Reisezeiten, die mit einem Hautarzttermin verbunden sind, der oft mehrere Monate oder länger in der Zukunft liegt.
• Algorithmen können anpassungsfähig sein und lernen, indem sie im Laufe der Zeit neue Bilder hinzufügen.
• Es wird erwartet, dass CNNs in der Lage sein werden, Verletzungen zu diagnostizieren Fraktion der Kosten eines Besuchs beim Hautarzt.

Was sind die Nachteile von Faltungs-Neuronalen Netzen?

Zu den Warnungen vor der Verwendung von CNN zählen unrealistische Erwartungen von Patienten und medizinischem Fachpersonal, Sicherheits- und Datenschutzbedenken sowie ärztliche Haftung.

• Die Technologie von CNN ist für großes Aufsehen gesorgt, aber die Vorteile werden sich erst nach einiger Zeit zeigen. Um CNNs zu „trainieren“, sind große Mengen an Daten und Eingaben erforderlich. Menschen müssen entscheiden, welche Läsionen von CNN aufgenommen und untersucht werden sollen, und diese teilnehmenden Gesundheitsfachkräfte müssen ebenfalls geschult werden.
• CNNs und alle Tools, die diagnostische Unterstützung bieten, müssen offiziell als medizinische Geräte zugelassen und dann erneut zugelassen werden, wenn ihre Algorithmen erweitert werden. [8].
• CNNs sind wahrscheinlich vollständig online und nutzen Cloud-basierten Speicher. Sie müssen über ausgezeichnete Cybersicherheitssysteme verfügen, um die Sicherung im Falle eines Datenbank- oder Serverausfalls sicherzustellen, sowie über Authentifizierungsprozesse, um unbefugten Zugriff zu verhindern. (Für die Speicherung persönlicher Gesundheitsdaten sind Verschlüsselung und sichere Übertragungsprotokolle erforderlich, und für die Forschung sollten nur anonymisierte Daten verwendet werden.)
• Angehörige der Gesundheitsberufe, die CNNs verwenden, müssen verstehen, dass die Leistung, die ein Datensatz verwendet, nicht unbedingt auf einen anderen anwendbar ist. Es wird zu falschen Diagnosen kommen, einschließlich falsch positiver Ergebnisse (Überdiagnose von gutartig Verletzungen wie der Böse) und falsch-negative Ergebnisse (z. B. verpasste Diagnosen von Krebs).
• Die medizinisch-rechtliche Verantwortung des Gesundheitspersonals, das auf CNNs angewiesen ist, bedarf einer Klärung, da es keinen nennenswerten Präzedenzfall gibt. Kann ein Computeralgorithmus für eine falsche Diagnose oder eine versäumte Diagnose verantwortlich gemacht werden?