Intelligenza artificiale in dermatologia

panoramica-della-formazione-di-diversi-tipi-di-lesioni-cutanee-con-l'aiuto-dell'apprendimento profondo__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-3538757-1463163-png-8652578

Indice dei contenuti

Cos'è l'intelligenza artificiale?

L'intelligenza artificiale (AI) utilizza i sistemi informatici per eseguire attività che normalmente richiedono l'intelligenza umana, come il riconoscimento vocale e la percezione visiva. L'intelligenza artificiale si basa su tecnologie e algoritmi come la robotica, l'apprendimento automatico e Internet per imitare il funzionamento del cervello umano. Con una potenza di calcolo e una capacità di archiviazione illimitate, l'IA ha il potenziale per superare gli esseri umani.

In medicina, gli algoritmi di visione artificiale hanno il potenziale per essere riconosciuti anomalie e malattie valutando colore, forma e motivi [1].

Alcuni esempi di applicazioni AI includono:

  • Tecnologia per abilitare veicoli autonomi
  • Algoritmi di riconoscimento vocale per interagire con gli esseri umani, come SIRI di Apple, Alexa di Amazon e Assistente Google
  • linguaggio Traduzione algoritmi
  • Identificazione delle razze canine (è stato segnalato che un algoritmo ha raggiunto una precisione superiore a 96%)
  • Previsione delle preferenze dell'utente, come un elenco di film o annunci mirati.
  • Previsione di periodi di forte domanda di taxi o manodopera flessibile [2,3].

Come vengono utilizzati l'intelligenza artificiale e l'apprendimento profondo in medicina?

Gli algoritmi informatici di deep learning si basano su neurale reti. Le reti neurali si basano su un modello computazionale ispirato al funzionamento del cervello biologico. Un gran numero di nodi collegati chiamati artificiali. neuroni sono simili ai neuroni biologici nel cervello. Questi sistemi apprendono le caratteristiche di un oggetto valutando dati etichettati manualmente, come "cane" o "non cane". Le caratteristiche apprese possono essere utilizzate per dedurre la natura di una nuova immagine.

Le immagini sono ampiamente utilizzate per diagnosticare lesioni e malattie e negli studi di anatomia umana e fisiologia. Le tecniche avanzate di imaging medico includono risonanza magnetica (Risonanza magnetica), assorbimetria a doppio raggio X, ecografiae tomografia computerizzata (Connecticut) [4–10].

Nell'imaging medico, le reti neurali convoluzionali vengono utilizzate per determinare "anormale" o "normale". Si addestrano su grandi database di immagini mediche etichettati e corrispondono o superano la visione umana per il rilevamento di oggetti in immagini in aree come:

  • Il petto Cancro
  • Cervello tumore
  • Cancro della pelle
  • Morbo di Alzheimer [11,12].

Questi algoritmi informatici saranno scalabili su più dispositivi, piattaforme e sistemi operativi, riducendone i costi e aumentando la loro disponibilità per la diagnostica e la ricerca. Università, governi e agenzie di finanziamento della ricerca hanno riconosciuto opportunità per migliorare la diagnosi precoce di malattie come cancro, malattie cardiache, diabete e demenza e stanno investendo molto nel settore.

Le tecniche di intelligenza artificiale approvate dalla Food and Drug Administration (FDA) statunitense per l'uso clinico nel settembre 2018 includono prodotti per:

  • Identifica i segni di retinopatia diabetica sull'imaging retinico
  • Riconosci i segni di ictus nelle scansioni TC
  • Visualizza il flusso sanguigno nel cuore.
  • Rileva il cancro della pelle dalle immagini cliniche acquisite con un'applicazione mobile.

Come viene utilizzata l'intelligenza artificiale nella diagnosi del cancro della pelle?

Secondo la US Skin Cancer Foundation, negli Stati Uniti ogni anno viene diagnosticato un cancro della pelle a più persone rispetto a tutti gli altri tumori messi insieme [13]. I tumori della pelle sono comunemente classificati come melanoma o cancro della pelle non melanoma (il cheratinocitica tumori basale cellula carcinomae squamoso carcinoma cellulare). I tumori della pelle possono essere difficili da distinguere da quelli comuni. benigno pelle lesionie l'aspetto del melanoma è particolarmente variabile. Ciò significa che:

  • I tumori della pelle possono essere persi perché si ritiene che siano innocui
  • Un gran numero di lesioni innocue vengono rimosse chirurgicamente inutilmente per non perdere un cancro potenzialmente pericoloso.

Dermatologi esaminare le lesioni cutanee mediante ispezione visiva e dermoscopia. Usano la loro esperienza nel riconoscimento dei modelli per determinare quali lesioni cutanee dovrebbero essere rimosse per la diagnosi o il trattamento. Negli ultimi anni, c'è stato molto interesse nell'utilizzo di algoritmi AI per aiutare lesione diagnosi. Esistono numerosi set di dati sulle lesioni cutanee che sono pubblicamente disponibili per aiutare nella ricerca sull'IA.

I ricercatori della Stanford University hanno condotto a dermatologo-classificazione a livello di tumori della pelle con un algoritmo di apprendimento profondo in un set di dati di 129.450 immagini cliniche che includevano 2.032 malattie della pelle [14]. Hanno anche testato il loro algoritmo contro 21 dermatologi certificati dalla commissione e hanno scoperto che le prestazioni dell'algoritmo in classifica erano alla pari con i loro esperti.

L'International Skin Imaging Collaboration (ISIC) offre un ampio set di dati pubblici che a settembre 2018 contavano 23.906 dermoscopico immagini di oltre 18 tipi di lesioni cutanee. Dal 2016, l'ISIC organizza anche una sfida annuale "Analisi delle lesioni cutanee per il rilevamento del melanoma". Il loro vincitore della sfida nel 2017 ha ottenuto oltre 98% di precisione distinguendosi melanomi di talpe benigne [15]. ISIC ha quindi incluso più categorie di lesioni cutanee nella sfida del 2018, come il carcinoma a cellule basali e attinico cheratosi. Possiamo aspettarci che ogni anno vengano aggiunte più precisione e più categorie di lesioni cutanee alla competizione.

Algoritmi di apprendimento automatico per lesioni cutanee

Per creare un nuovo algoritmo di apprendimento automatico per il cancro della pelle, a ogni tipo di lesione cutanea viene assegnata una classe. Nella sua forma più semplice, possono esserci solo due classi; ad esempio, "benigno" e "il malvagio', o'nevo"e" melanoma ". Gli algoritmi più sofisticati possono valutare più classi.

Prima di testare un algoritmo con una nuova immagine, gli algoritmi di deep learning eseguono il training su un gran numero di immagini in ogni classe. Il processo si compone di tre fasi principali (figura 1).

Livello 1

Nella fase 1, l'algoritmo viene alimentato con il digitale macroscopico o immagini dermoscopiche etichettate come "verità fondamentale". (La verità fondamentale in questo contesto è la diagnosi della lesione, che viene assegnata da un dermatologo esperto o è il risultato di istopatologico esame.)

Figura 1. Panoramica dell'addestramento di diversi tipi di lesioni cutanee con l'aiuto dell'apprendimento profondo

Riepilogo dell'allenamento di diversi tipi di lesioni cutanee con l'aiuto dell'apprendimento profondo.

Riepilogo dell'allenamento di diversi tipi di lesioni cutanee con l'aiuto dell'apprendimento profondo.

Fase 2

Nella fase 2, i livelli convoluzionali (una serie di filtri applicati all'input, come un'immagine) estraggono la mappa delle caratteristiche dalle immagini. Una mappa delle caratteristiche rappresenta i dati con più livelli di astrazione.

  • I livelli convoluzionali iniziali estraggono caratteristiche di basso livello come bordi, angoli e forme.
  • Gli strati convoluzionali posteriori estraggono caratteristiche di alto livello per rilevare il tipo di lesione cutanea (Figura 2).
Figura 2. Mappe di caratteristiche tipiche apprese utilizzando reti neurali convoluzionali

Mappe di caratteristiche tipiche apprese utilizzando reti neurali convoluzionali.

Mappe di caratteristiche tipiche apprese utilizzando reti neurali convoluzionali.

Fase 3

Nella fase 3, il classificatore di apprendimento automatico utilizza le mappe delle funzionalità per il riconoscimento dei modelli di diverse classi di lesioni cutanee. L'algoritmo di deep learning può ora essere utilizzato per classificare una nuova immagine (Figura 3).

Figura 3. Inferenza prodotta da algoritmi di apprendimento profondo su una nuova immagine di una lesione cutanea

Inferenza prodotta da algoritmi di apprendimento profondo su una nuova immagine di una lesione cutanea.

Inferenza prodotta da algoritmi di apprendimento profondo su una nuova immagine di una lesione cutanea.

Criteri ABCD

I criteri clinici ABCD utilizzati dai non esperti per rilevare pigmentato le lesioni cutanee sono UNsimmetria, secondoordine irregolare, Cvariazione di colore e ridiametro maggiore di 6 mm (figura 4). Vedere ABCDE per il melanoma, che include "E" per mevoluzione.

R: La proprietà asimmetria controlla se due metà della lesione cutanea corrispondono (o meno) in termini di colore e forma. Le lesioni sono divise in due metà lungo l'asse lungo e nuovamente divise lungo l'asse corto. È probabile che il melanoma abbia a asimmetrico aspetto.

B: La proprietà edge definisce se i bordi della lesione cutanea sono lisci e ben definiti oppure no. I tumori della pelle tendono ad avere bordi frastagliati.

C: la proprietà del colore valuta il numero e la variabilità dei colori in tutta la lesione cutanea. Il melanoma e il carcinoma basocellulare pigmentato spesso includono sfumature da 3 a 6 colori (nero, marrone chiaro, marrone scuro, grigio, blu, rosso e bianco), mentre nevi e le lentiggini tendono ad avere solo uno o due colori, che sono distribuiti simmetricamente.

D: La proprietà del diametro misura il diametro approssimativo della lesione cutanea. Il diametro delle lesioni cutanee maligne è solitamente maggiore di 6 mm (la dimensione di una gomma da matita).

Figura 4. La regola ABCD per il cancro della pelle

Regola clinica ABCD del melanoma

Regola clinica ABCD del melanoma

Yang e i suoi colleghi hanno proposto di adottare la regola ABCD per l'elaborazione delle immagini e gli algoritmi di apprendimento automatico [16]. Nel loro lavoro, hanno confrontato le prestazioni del loro sistema con quelle dei medici (generali, junior ed esperti) e con algoritmi di deep learning per la diagnosi delle lesioni cutanee che testano il set di dati (Tabella 1). Hanno invitato due medici di ogni categoria a svolgere questo compito.

Hanno addestrato il loro sistema sul loro set di dati sulla malattia della pelle SD-198 di 6.584 immagini cliniche da 198 diverse categorie di lesioni ed estratto le caratteristiche di basso livello da tre componenti visive: consistenza, colori e bordi. Il sistema CAD (computer-aided device) di Yang ha funzionato meglio dell'algoritmo di apprendimento profondo VGG-Net e ResNet ed era paragonabile alle prestazioni dei medici principianti. Tuttavia, i dermatologi esperti erano significativamente più alto al sistema CAD.

Valutazione delle prestazioni di metodi medici e computerizzati su una suite di test con 3292 immagini
Metodi Precisione Errore standard
Sistema CAD Yang 56,47 53.15
Esperti medici Medici di base (n = 2) 49,00 47,50
Medici junior (n = 2) 52,00 53,40
Dermatologi esperti (n = 2) 83,29 85,00
Apprendimento approfondito VGGNet 50,27 48.25
ResNet 53,35 51.25

Altre ricerche di machine learning sul cancro della pelle

IBM sta anche lavorando a uno strumento di intelligenza artificiale chiamato Watson per analizzare le immagini di lesioni cutanee per il rilevamento del melanoma. Il tuo dispositivo utilizza sei punti chiave per analizzare e determinare la probabilità di melanoma: colore, irregolarità del bordo, livello di asimmetria, cellula del sangue e rete, somiglianza con le immagini delle lesioni cutanee nel suo database e punteggio del melanoma; questi criteri sono simili ai criteri ABCD [17].

MetaOptima Technology Inc. ha lanciato la sua piattaforma DermEngine per fornire un servizio di teledermatologia. Il suo strumento di ricerca visiva confronta un'immagine inviata dall'utente con immagini simili in un database di migliaia di patologia- immagini etichettate ottenute da dermatologi esperti in tutto il mondo. Le tecniche di deep learning vengono utilizzate per trovare immagini correlate in base a caratteristiche visive come colore, forma e motivo. [18].

Qual è il futuro dell'intelligenza artificiale e della diagnosi del cancro della pelle?

La ricerca che coinvolge l'IA sta facendo Progresso nella diagnosi delle lesioni cutanee. Tuttavia, l'intelligenza artificiale non sostituirà presto gli esperti medici. In primo luogo, ci vuole un essere umano per selezionare la lesione appropriata per la valutazione, spesso tra centinaia di lesioni minori.

La diagnosi medica si basa sulla raccolta di un'attenta anamnesi e sull'esame delle cartelle cliniche del paziente. Tiene conto dell'origine etnica del paziente, della pelle, capelli colore degli occhi, occupazione, malattia, farmaci, danni solari esistenti, il numero di melanocitico nevi e abitudini di vita (come l'esposizione al sole, il fumo e l'assunzione di alcol). Anche il comportamento e il trattamento precedente della lesione sono fondamentali per la diagnosi.

L'intelligenza artificiale può offrire una seconda opinione e può essere utilizzata per escludere una lesione completamente benigna, come un nevo melanocitico che è simmetrico nel colore e nella struttura.

Questi algoritmi si evolveranno inevitabilmente con maggiore accuratezza nel rilevare lesioni cutanee potenzialmente maligne, poiché i database si espandono per includere più immagini e più etichette specifiche per pazienti e lesioni.