Чи може нейронна мережа розрізняти злоякісну родимку від доброякісної?

Чому раннє виявлення меланоми змінює все

Більше 16 тисяч людей у Великобританії отримують діагноз меланома щороку, і найважливішим фактором для виживання є те, наскільки рано його виявлено: п’ятирічна виживаність при меланомах, виявлених на ранніх стадіях, досягає 99%, порівняно з значно нижчими показниками після поширення. Саме тому Національна служба охорони здоров'я (NHS) проводить двотижневу систему направлень для підозрілих шкірних утворень – час має вирішальне значення. Також великий інтерес до автоматизованого попереднього скринінгу фотографій шкірних утворень, оскільки інструмент, який може виділяти утворення, що потребують негайної консультації дерматолога, потенційно може допомогти збільшити цей вік раннього виявлення для більшої кількості пацієнтів.

Задача бінарної класифікації з особливо виразним візуальним сигналом

Це сформульовано для машинного навчання, і стає задачею бінарної класифікації зображень: на основі фотографії шкірного ураження крупним планом передбачити доброякісний чи злоякісний. Дерматологи вже покладаються на візуальне розпізнавання закономірностей для цього – відоме правило ABCDE (Асиметрія, Неправильна межа, Варіація кольору, Діаметр, Еволюція), яке використовується Британською асоціацією дерматологів, описує саме той вид візуальних сигналів, який конволюційна мережа може, в принципі, також вивчати безпосередньо з розмічених фотографій, не будучи явно повідомленій про правило: асиметрична форма, поривчастиві або розмиті краї, нерівномірне забарвлення та надмірно великий розмір – це всі закономірності, які фільтри конволюційної мережі можуть навчитися асоціювати з злоякісністю виключно на основі достатньої кількості розмічених навчальних прикладів.

Компактна архітектура для бінарного рішення

Оскільки це двокласова проблема, а не багатокласова, архітектура мережі може бути відносно простою: три блоки конволюції та max-pooling для вилучення та прогресивного стиснення візуальних ознак, за яким слідує щільний класифікаційний блок із одним сигмоїдно-активованим виходом — число між 0 і 1, що інтерпретується як оцінка ймовірності злоякісності, навчена за допомогою функції втрат бічного перетини, а не категорної втрати, яка використовується для багатокласових задач. Доповнення даних має значення тут дещо відмінно від інших завдань з медичної візуалізації: оскільки фотографії родимок на шкірі не мають фіксованої анатомічної орієнтації, як рентген грудної клітки, горизонтальне та вертикальне перевертання, а також обертання є розумними доповненнями, які разом допомагають моделі узагальнювати широкий спектр кутів і ракурсів, що зустрічаються в дерматоскопічних та фотографіях, зроблених на смартфони.

Чутливість, повнота та крива ROC разом

Для завдання скринінгу, такого як це, жодна окрема метрика не розповідає всієї історії. Чутливість (precision) вимірює, скільки уражень, позначених як злоякісних, насправді є злоякісними – низька чутливість означає багато непотрібного хвилювання та додаткових візитів до лікаря для доброякісних випадків. Повнота (recall) вимірює, скільки дійсно злоякісних уражень правильно ідентифікується – низька повнота означає, що небезпечні випадки проходять непоміченими, що є набагато гіршим збоєм у скринінгу раку. Крива ROC та її статистична характеристика, площа під кривою (AUC), показують, як добре модель розрізняє два класи на кожному можливому порозі рішення, а не лише за стандартним порогом 0,5, що важливо, оскільки в практичному застосуванні клінічно може свідомо зміщувати цей поріг у бік більшої чутливості – приймаючи більше хибних тривог заради виявлення більшої кількості справжніх ракових захворювань, а не використовуючи будь-який поріг, який максимізує точність.

Чим відрізняє демо-інструмент від клінічного

Набір з кількох тисяч зображень та компактна CNN справді корисні для демонстрації основної техніки, але класифікація шкірних новоутворень у реальних умовах значно складніша, ніж цей чистий, відібраний набір даних. Реальні фотографії суттєво різняться за освітленням, якістю камери, тоном шкіри та ракурсом, і моделі, навчені переважно на зображеннях світлої шкіри, неодноразово демонструвалися в опублікованих дослідженнях як гірше працюють на темній шкірі – серйозна проблема справедливості для будь-якого інструменту, призначеного для справді національного населення, такого як NHS. Клінічно достовірну версію такого інструменту потрібно було б навчати та валідувати на навмисно різноманітних, репрезентативних наборах даних, використовуючи дерматоскопію (за можливості, а не лише звичайне фотографічне зображення), формальне регуляторне затвердження та перспективну валідацію проти дерматологів перед тим, як вона могла б розумно знаходитися біля шляху очікування протягом двох тижнів.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.