Czy Sieć Neuronowa Umie Rozpoznać Mole Złośliwy Od Bezpiecznego?

Dlaczego wcześniejsza detekcja zmienia wszystko w przypadku melanomu

W Wielkiej Brytanii co rok przewyższa 16 tysięcy osób diagnozowanych z melanomą, a jednym z najważniejszych czynników wpływających na przeżycie jest okres, w którym jest wykryta taka choroba: stopnień przeżycia po pięcioletnim obserwowaniu melanomy wykrytej na najwcześniejszym etapie zbliżają się do 99%, w porównaniu z znacznie niższymi stopniem przeżycia, gdy choroba rozprzestrzeniła się. To dokładnie dlaczego system NHS ma ścieżkę odwoławczą na dwutygodniowy czas oczekiwania dla podejrzanych objawów nowotworu – szybkość jest nieoceniona. Jest to również przyczyną poważnego zainteresowania badaniami dotyczącego automatycznego poddawania pod ekspertyzę zdjęć obrażeń skóry: narzędzie, które może wskazać, które obrażenia wymagają najwyraźniej uwagi dermatologa, mogłoby w teorii pozwolić na wykorzystanie okna wcześniejszej detekcji dla większej liczby pacjentów.

Klasyczna problematyka dwuczynnicza z niezwykle wyraźnym oznaczeniem wizualnym

Z punktu widzenia uczenia maszynowego, to staje się zadaniem klasyfikacji obrazów binarnych: na podstawie bliskiego zdjęcia powierzchni skóry przewidzieć, czy lesja jest bezpieczna lub złośliwa. Dermatolodzy już korzystają z rozpoznawania wzorców wizualnych dla tej zadania — znane reguły ABCDE (Asymmetria, Brzegi nieporętne, Kolor różnorodny, Promień, Rozwoj) opisane przez Brytyjską Izbelą Dermatologów dokładnie takie oznaki wizualne, na które CNN może zasilić się na podstawie etykietowanych zdjęć, bez konieczności explikowania reguły: asymetryczna forma, nieporętne lub rozmyte brzegi, nierównomierny kolor i niezwykle duża wielkość to wszystkie wzory, z którymi sieci neuronowe filtry mogą nauczyć się łączyć ze złośliwością jedynie na podstawie wystarczającej liczby etykietowanych przykładów treningowych.

Kompaktowy arkitektura dla dwuczynniczego podejścia decyzyjnego

Jako że jest to problem dwuczynniczy, a nie wieloczynniczy, architektura sieci może pozostać stosunkowo prosta: trzy bloki konwolucji i maksymalizacji po agregacji (max-pooling) do ekstrakcji i kolejnej kompresji cech wizualnych, zakończonych gęstym głowicą klasyfikacyjną kończącą się pojedynczym wyjściem aktywowanym sigmoidalnie — liczbą z zakresu 0 do 1 interpretowaną jako szacowana prawdopodobieństwo zapalenia, trening przeprowadzony przeciwko stratce krzyżowej dwuczynniczej zamiast straty kategorialnej używanej dla problemów wieloczynniczych. Przetwarzanie danych (augmentation) ma tutaj znaczenie inny niż w innych zadaniach medycznej obrazowania: ponieważ zdjęcia lesji skóry nie mają ustalonego orientacji anatomoicznej tak jak piersiowe zdjęcia X, zarówno pozioma, jak i pionowa obrótka są rozsądne metody augmentationu, a także obracanie, które pomaga modelowi generalizować się na szeroką gamę kątów i ramek znalezionych w rzeczywistym dermoskopii i fotografach z telefonów komórkowych.

Czytanie precyzji, powtórności i krzywej ROC razem

Dla zadania diagnostycznego takiego jak to, żaden pojedynczy wskaźnik nie mówi całą historię. Precyzja mierzy, ile z objętości oznaczonych jako złośliwe rzeczywiście są złośliwe — niska precyzja oznacza wiele unnecessarnych strachów i wizyt lekarskich dla przypadków bezpiecznych. Powtórność (czuciwość) mierzy, ile z rzeczywiście złośliwych objętości jest poprawnie oznaczonych — niska powtórność oznacza, że zagrożone przypadki uciekają niezauważone, co stanowi daleko gorsze błąd niż w diagnostyce nowotworowej. Krzywa ROC i jej statystykę podsumowującą AUC (pole pod krzywą) pokazują, jak dobrze model oddziela dwie klasy na każdym możliwym próg decyzji, a nie tylko domyślny próg 0,5, ponieważ w praktyce w zastosowaniu klinicznym ten próg może być świadomie przesunięty w stronę większej czuciwości — przyjmując więcej fałszywych sygnałów ostrzegawczych za cenę złapania więcej rzeczywistych nowotworów — zamiast używać tego samego prógu, który maksymalizuje procent poprawnych odpowiedzi.

Co rozdziela demonstrację od narzędzia klinicznego

Zbiór danych z kilkuset obrazami i małym CNN jest naprawdę przydatny do pokazania podstawowej techniki, ale klasyfikacja raka skóry w rzeczywistości jest znacznie trudniejsza niż sugeruje taki czysty i skorelowany zestaw danych. Obrazy z rzeczywistych fotografii odmiennie sięgają w światło, jakość aparatury, barwę skóry i kompozycję, a modele treningowe przede wszystkim na obrazach skóry lepszych barwności pokazane są w publikowanych badaniach do gorszej performansu na ciemniejszych skórach — to poważny problem równości dla dowolnego narzędzia przeznaczonego dla rzeczywistej populacji, jaką jest NHS. Klinicznie wiarygodna wersja takiego narzędzia wymaga treningu i walidacji na zdecydowanie różnorodnych, reprezentatywnych zestawach danych, dermatoskopii (jeśli to możliwe) oraz — podobnie jak do dowolnego narzędzia AI sąsiadującego z diagnostyką — formalnej oceny regulatoryjnej i przyszłej walidacji w porównaniu do dermatologów przed tym, aby mogło ono rozważyć miejsce na ścieżce odwoławczej dwudziestodniowej.

Często zadawane pytania