Convolutionele neurale netwerken in de dermatologie

wat is een convolutie neuraal rooster?

Een convolutioneel neuraal netwerk (CNN) is een type diep neuraal netwerk van kunstmatige intelligentie dat wordt gebruikt bij beeldverwerking. [1]. Het netwerk neemt een invoerbeeld en gebruikt een catalogus van bestaande afbeeldingen om uitvoer te produceren die overeenkomt met het invoerbeeld. een neuraal netwerk is gebaseerd op overeenkomsten van onderling verbonden biologische neuronen en is zo gestructureerd dat het leert en zijn prestaties verbetert, op basis van het aantal afbeeldingen dat CNN 'ziet' en het aantal convoluties (gecombineerde invoer van twee afbeeldingen, een nieuwe en een bestaande gecatalogiseerd, om één uitvoer te creëren) dat CNN genereert. .

CNN's worden gezien als een nieuw nuttig hulpmiddel voor dermatologen om een betere diagnose te helpen stellen verwondingen. Het werk dat een CNN doet om een diagnostisch resultaat van een afbeelding te produceren, is vergelijkbaar met hoe dermatoloog maakt gebruik van zijn opleiding en kennis: de diagnose van laesies door een dermatoloog omvat meestal een invoerbeeld (van een huid blessure) gevoed via een verwerkingsnetwerk (de vaardigheden en kennis van de dermatoloog die het analyseert en de beschikbare informatie samenvoegt) om een 'klasse' (of diagnose) of een 'waarschijnlijkheid van klassen' (differentiële diagnose) [2].

Het visuele karakter van dermatologie leent zich goed voor digitale beeldvorming van blessures en CNN heeft een enorm potentieel om de praktijk te veranderen. Het is een veelzijdige manier om gegevens te analyseren waarbij complexe wiskunde betrokken is en enorme rekenkracht vereist om biologie, wiskunde en informatica te combineren.

Wie gebruikt convolutionele neurale netwerken?

CNN's zijn gebruikt in militaire en civiele toepassingen, waaronder onbemande luchtnetwerken. voertuigen, de technologische sector en commercie [3]. Ze zijn te vinden in alledaagse toepassingen, zoals sociale netwerkplatforms die automatisch gezichten herkennen, in fotogalerijen met automatische tags en op winkelwebsites die suggesties bieden op basis van uw surfgedrag op internet.

Op medisch gebied gebruiken onderzoekers CNN om diabetische oogziekten te diagnosticeren, hartritmestoornissenen huidkanker [3-5].

Vertel me meer over convolutionele neurale netwerken.

De basis van een CNN is een computationele methode die onderscheid kan maken tussen verschillende beeldklassen op basis van unieke kenmerken die betrouwbaar kunnen worden gebruikt om de beeldklasse te identificeren, zoals randen en rondingen. Deze basis wordt vervolgens uitgebreid met meer abstracte functies die worden toegevoegd via een reeks convolutionele pooling- en uitvoerlagen.

Stap 1: convolutionele lagen

Een afbeelding wordt ingevoerd in een computer en verwerkt als verschillende rangschikkingen van pixels (dots), afhankelijk van hun kleur. Dit proces converteert delen van de afbeelding volgens een bepaald filter. [2]. Filters beginnen vaak met het kijken naar eenvoudige kenmerken zoals rechte lijnen, diagonale lijnen, gebogen lijnen of punten. Elke keer dat er een filter over de originele afbeelding wordt gehaald, wordt een nieuwe, kleinere versie van de originele foto gemaakt. Positieve filterovereenkomsten krijgen een positieve waarde toegewezen en gebieden die niet overeenkomen, krijgen een waarde kleiner dan 1. Dit resulteert in een onleesbaar beeld; Een rechtlijnig filter ging bijvoorbeeld over een afbeelding van een acraal naevus met een patroon van parallelle groeven dermatoscopie zal een sterk positief convolutiebeeld weergeven. Deze stap kan worden herhaald met meer kenmerken om een nauwkeuriger resultaat te bereiken (dwz een diagnose of differentiële diagnose).

Stap 2: Pooling-laag

Als het resulterende beeld groot is, moeten de neurale netwerklagen mogelijk worden "gebundeld" tussen opeenvolgende convoluties, waarbij een interessegebied in het beeld wordt gefixeerd en parameters rond dat gebied worden verwijderd. [2]. Er zijn verschillende soorten pooling, maar het meest gebruikte type is de max pooling-methode (zie onderstaande figuur).

Er is vaak een extra normalisatiestap, wat een gebruikelijke techniek is om de prestaties en stabiliteit van een neuraal netwerk te verbeteren. Dit werkt door de invoer die door het neurale netwerk wordt geparseerd te standaardiseren, om ervoor te zorgen dat elke invoer ongeveer hetzelfde heeft schaal. Het neurale netwerk zal dus geen onnodige betekenis toekennen aan één invoerfilter in plaats van aan een eenvoudig vanwege een verschil in schaal. Dit proces verhoogt de leersnelheid van een neuraal netwerk aanzienlijk.

Stap 3: uitvoerlaag

Om een uitgangsdifferentiaaldiagnose te genereren voor een vermoedelijke laesie, moet het neutrale netwerk een volledig verbonden laag toepassen op basis van alle lagen die het eerder heeft verwerkt. Dit is vergelijkbaar met een dermatoloog die de verschillende aanwijzingen samenvoegt tot een voorlopige diagnose met een reeks differentiëlen.

De CNN kan nu worden getraind met behulp van aanvullende functies om de nauwkeurigheid te verbeteren en zichzelf te "leren" om nieuwe laesies te identificeren (zoals backpropagation, dat het netwerk leert wanneer het een onjuist resultaat selecteert om het gewicht dat aan kenmerken wordt toegewezen te wijzigen om een uitvoerklasse te selecteren) [ 1].

Wat zijn de voordelen van convolutionele neurale netwerken?

De voordelen van CNN's bij de diagnose van huidlaesies zijn nauwkeurigheid, snelheid en lage kosten.

• De nauwkeurigheid van de klinische diagnose voor melanoma het is afhankelijk over de ervaring en opleiding van de keuringsarts; CNN's hebben in beperkte omstandigheden even goed kunnen presteren als board-gecertificeerde dermatologen, en hun nauwkeurigheid zal in de toekomst blijven verbeteren. [6,7].
• Momenteel kost het CNN seconden tot minuten om een diagnose te stellen wanneer ze worden geconfronteerd met een afbeelding van een huidlaesie. Invoer, algoritmen en uitvoer kunnen buiten kantooruren worden gedaan en zijn toegankelijk voor iedereen met internettoegang. Vergelijk deze korte tijd met de wachttijden en reistijden die gepaard gaan met een afspraak bij een dermatoloog, die vaak enkele maanden in de toekomst of langer ligt.
• Algoritmen kunnen adaptief zijn en kunnen leren door in de loop van de tijd nieuwe afbeeldingen toe te voegen.
• Van CNN's wordt verwacht dat ze verwondingen kunnen diagnosticeren fractie van de kosten van een bezoek aan een dermatoloog.

Wat zijn de nadelen van convolutionele neurale netwerken?

Kanttekeningen bij het gebruik van CNN zijn onder meer onrealistische verwachtingen van patiënten en zorgverleners, zorgen over veiligheid en privacy en medisch-juridische aansprakelijkheid.

• Er is veel opwinding rond de technologie van CNN, maar het zal even duren voordat de voordelen zichtbaar worden. Er zijn grote hoeveelheden gegevens en invoer nodig om CNN's te "trainen". Mensen zijn nodig om te kiezen welke laesies moeten worden genomen en onderzocht door CNN, en deze deelnemende gezondheidswerkers moeten ook training krijgen.
• CNN's en alle tools die diagnostische ondersteuning bieden, moeten officieel worden goedgekeurd als medische apparaten en vervolgens opnieuw worden goedgekeurd naarmate hun algoritmen opschalen. [8].
• CNN's zullen waarschijnlijk volledig online zijn, gebruikmakend van cloudgebaseerde opslag, en zullen uitstekende cyberbeveiligingssystemen moeten hebben om back-up te garanderen in het geval van een database- of serverstoring, en authenticatieprocessen om hacking te voorkomen. (Veilige overdracht en coderingsprotocollen zijn vereist om persoonlijke gezondheidsgegevens op te slaan, en onderzoek mag alleen geanonimiseerde gegevens gebruiken.)
• Beroepsbeoefenaren in de gezondheidszorg die CNN gebruiken, moeten begrijpen dat prestaties met behulp van de ene dataset niet noodzakelijkerwijs van toepassing zijn op een andere; Er zullen onjuiste diagnoses zijn, waaronder valse positieven (overdiagnose van goedaardig blessures zoals kwaadaardige) en fout-negatieven (bijv. gemiste diagnoses van kanker).
• De medisch-juridische verantwoordelijkheid van de gezondheidswerker die afhankelijk is van de CNN's behoeft verduidelijking, aangezien er geen noemenswaardig precedent bestaat. Kan een computeralgoritme verantwoordelijk worden gehouden voor een verkeerde diagnose of een gemiste diagnose?