Reti neurali convoluzionali in dermatologia

Cos'è un convoluzionale neurale netto?

Una rete neurale convoluzionale (CNN) è un tipo di rete neurale di intelligenza artificiale profonda utilizzata nell'elaborazione delle immagini. [1]. La rete accetta un'immagine di input e l'utilizzo di un catalogo di immagini esistente produce un output che corrisponde all'immagine di input. Una rete neurale si basa su somiglianze di prodotti biologici interconnessi neuroni ed è strutturato in modo tale da apprendere e migliorare le sue prestazioni, in base a quante immagini CNN 'vede' e al numero di convoluzioni (input combinati di due immagini, una nuova e una esistente catalogata, per creare un output) che CNN genera .

Le CNN sono viste come un nuovo strumento utile per dermatologi per aiutare a diagnosticare meglio lesioni. Il lavoro che una CNN esegue per produrre un risultato diagnostico da un'immagine è simile a come dermatologo utilizza la loro formazione e conoscenza: la diagnosi di lesione da parte di un dermatologo di solito comporta un'immagine di input (di a cutaneo lesione) alimentato attraverso una rete di elaborazione (le competenze e le conoscenze del dermatologo che le analizza e sintetizza le informazioni disponibili) per generare una 'classe' (o diagnosi) o una 'probabilità di classi' (diagnosi differenziale) [2].

La natura visiva di dermatologia si presta bene all'imaging digitale delle lesioni e la CNN ha un enorme potenziale per cambiare la pratica. È un mezzo multiforme per analizzare i dati che coinvolge una matematica complessa e richiede un'enorme potenza di calcolo per combinare biologia, matematica e informatica.

Chi utilizza le reti neurali convoluzionali?

Le CNN sono state utilizzate in applicazioni militari e civili, comprese le reti aeree senza pilota. veicoli, il settore tecnologico e il commercio [3]. Si trovano nelle applicazioni di tutti i giorni come le piattaforme di social media che riconoscono automaticamente i volti, nelle gallerie fotografiche con tag automatici e nei siti Web di acquisto che offrono suggerimenti basati sulle abitudini di navigazione in Internet.

In campo medico, i ricercatori hanno utilizzato la CNN per diagnosticare malattie oculari diabetiche, aritmiee tumori della pelle [3–5].

Dimmi di più sulle reti neurali convoluzionali.

La base di una CNN è un metodo di calcolo che può differenziare tra diverse classi di immagini in base a caratteristiche uniche che possono essere utilizzate in modo affidabile per identificare la classe di immagine, come bordi e curve. Questa base viene quindi ampliata con funzionalità più astratte che vengono aggiunte tramite una serie di livelli di output e raggruppamenti convoluzionali.

Passaggio 1: strati convoluzionali

Un'immagine viene inserita in un computer ed elaborata come diverse disposizioni di pixel (punti), a seconda del loro colore. Questo processo converte sezioni dell'immagine in base a un filtro particolare. [2]. I filtri spesso iniziano analizzando caratteristiche semplici come linee rette, linee diagonali, linee curve o punti. Ogni volta che si passa un filtro sull'immagine originale, viene creata una nuova versione più piccola della fotografia originale. Alle corrispondenze del filtro positivo viene assegnato un valore positivo e alle aree che non corrispondono viene assegnato un valore inferiore a 1. Ciò risulta in un'immagine contorta; Ad esempio, un filtro di linea retta è passato su un'immagine di un file acral nevo con un motivo di scanalature parallele in dermoscopia mostrerà un'immagine di convoluzione positiva forte. Questo passaggio può essere ripetuto con più funzioni per ottenere un risultato più accurato (cioè diagnosi o diagnosi differenziale).

Passaggio 2: livello di raggruppamento

Se l'immagine risultante è grande, gli strati della rete neurale potrebbero dover "raggruppare" tra le successive convoluzioni, mirando a un'area di interesse nell'immagine e rimuovendo i parametri attorno a quell'area. [2]. Esistono diversi tipi di raggruppamento, ma il tipo più comune utilizzato è il metodo di raggruppamento massimo (vedere la figura seguente).

C'è spesso un passaggio aggiuntivo di normalizzazione, che è una tecnica comune per migliorare le prestazioni e la stabilità di una rete neurale. Funziona standardizzando gli input analizzati dalla rete neurale, per garantire che ogni input abbia approssimativamente lo stesso scala. Pertanto, la rete neurale non assegnerà un significato indebito a un filtro di input su uno semplice a causa di una differenza di scala. Questo processo aumenta notevolmente il tasso di apprendimento di una rete neurale.

Passaggio 3: livello di output

Per generare una diagnosi differenziale di output per una lesione sospetta, la rete neutra deve applicare uno strato completamente connesso in base a tutti gli strati che ha precedentemente elaborato. Questo è simile a un dermatologo che sintetizza i diversi indizi in una diagnosi provvisoria con una serie di differenziali.

La CNN può ora essere addestrata utilizzando funzioni aggiuntive per migliorare la precisione e "autoapprendimento" per identificare nuove lesioni (come la diffusione all'indietro, che insegna alla rete quando seleziona un risultato errato per cambiare il peso assegnato ai tratti al selezionare una classe di output) [1].

Quali sono i vantaggi delle reti neurali convoluzionali?

I vantaggi della CNN nella diagnosi delle lesioni cutanee includono accuratezza, velocità e basso costo.

• L'accuratezza della diagnosi clinica per melanoma è dipendente sull'esperienza e la formazione del medico esaminatore; Le CNN sono state in grado di esibirsi come dermatologi certificati da bordo in circostanze limitate e la loro precisione continuerà a migliorare in futuro. [6.7].
• Attualmente, la CNN impiega dai secondi ai minuti per raggiungere una diagnosi di fronte all'immagine di una lesione cutanea. Gli input, gli algoritmi e gli output possono essere eseguiti al di fuori dell'orario di ufficio e possono essere accessibili a chiunque abbia accesso a Internet. Confronta questo breve tempo con i tempi di attesa e di viaggio associati a un appuntamento con il dermatologo, che spesso è di diversi mesi o più in futuro.
• Gli algoritmi possono essere adattabili e apprendere aggiungendo nuove immagini nel tempo.
• La CNN dovrebbe essere in grado di diagnosticare le lesioni dovute a frazione il costo di una visita a un dermatologo.

Quali sono gli svantaggi delle reti neurali convoluzionali?

Gli avvertimenti sull'uso della CNN includono aspettative irrealistiche da parte di pazienti e operatori sanitari, problemi di sicurezza e privacy e responsabilità medico-legale.

• C'è molto fermento sulla tecnologia della CNN, ma ci vorrà del tempo per concretizzarne i benefici. Sono necessarie grandi quantità di dati e input per "addestrare" la CNN. Gli esseri umani sono necessari per scegliere quali lesioni dovrebbero essere prese e riviste dalla CNN, e anche questi professionisti sanitari partecipanti dovrebbero ricevere una formazione.
• Le CNN e tutti gli strumenti che offrono supporto diagnostico dovranno essere approvati ufficialmente come dispositivi medici e quindi riapprovati man mano che i loro algoritmi si espandono. [8].
• È probabile che le CNN siano completamente online, utilizzando l'archiviazione basata su cloud e dovranno disporre di eccellenti sistemi di sicurezza informatica per garantire il backup in caso di guasto di un database o di un server e di processi di autenticazione per prevenire interruzioni. Accesso non autorizzato. (La crittografia e i protocolli di trasferimento sicuro sono necessari per memorizzare i dati sanitari personali e la ricerca dovrebbe utilizzare solo dati anonimi.)
• Gli operatori sanitari che utilizzano la CNN dovrebbero comprendere che le prestazioni utilizzate da un set di dati non sono necessariamente applicabili a un altro; Ci saranno diagnosi errate, compresi falsi positivi (diagnosi eccessiva di benigno lesioni come il malvagio) e falsi negativi (ad esempio, diagnosi mancate di Cancro).
• La responsabilità medico-legale del professionista sanitario che dipende dalla CNN necessita di chiarimenti, non essendoci precedenti di rilievo. Un algoritmo informatico può essere ritenuto responsabile di una diagnosi errata o di una diagnosi mancata?