皮肤损伤的新分类算法
皮肤科医生通常分类基于多个数据源的皮肤损伤。算法融合在一起可以支持这种分类的信息。一个国际研究小组已经开发了一个算法,将皮肤损伤比之前的算法更准确地使用一种改进的数据融合过程。
全球许多人患有皮肤病。诊断,医生经常将多个信息源。这些措施包括,例如,临床图片,显微图像和元数据,如患者的年龄和性别。深入学习算法可以支持皮肤损伤的分类融合在一起的所有信息和评估。几个这样的算法已经被开发。然而,应用这些学习算法在诊所,他们需要进一步改进,以获得更高的诊断准确性。
新的数据融合方法可以提高诊断的准确性
PD托拜厄斯博士领导的研究小组从慕尼黑生物医学工程研究所的拉瑟(MIBE)在慕尼黑工业大学(TUM)已经开发出一种新的学习algorithm-FusionM4Net-that显示更高的平均诊断精度比之前的算法。的代码FusionM4Net是免费的(ciip.in.tum.de / software.html)。新算法使用所谓的综合多级数据融合过程多标记的皮肤病变分类。
- 综合:学习算法包括三种不同类型的数据:临床图像的显微图像可疑的皮肤损害,和病人的元数据。
- 多标记:研究人员训练多标记的算法皮肤分类,即它可以区分五个不同类别的皮肤损伤。
- 多阶段:新算法首先融合在一起可用的图像数据,然后病人的元数据。这两个过程可以将图像数据和元数据加权算法的决策过程。这FusionM4Net大大有别于之前算法在这个领域,合并所有数据。
评估诊断精度的算法,它可以比最好的现有分类数据集,使用价值的100%分配。FusionM4Net的平均诊断精度提高到78.5%通过多级融合过程,超越其他所有与它先进的算法比较。
致力于临床应用
促进再现性,公开数据集被用来训练算法。然而,在皮肤病,数据集不是标准化的无处不在。根据诊所,不同类型的图像和患者信息可能是可用的。因此,对于实际的临床开发,算法必须能够处理的数据类型可以在每个特定诊所。
一起的皮肤病与变态反应学LMU慕尼黑大学医院的研究小组正在紧张使算法为未来的临床常规操作。为此,研究小组目前正在整合大量数据集已经标准化了这个诊所。
“未来的常规临床使用算法具有较高的诊断精度可以帮助确保罕见疾病也被缺乏经验的医生和它可能减轻决策受到压力或疲劳的影响,“PD Tobias拉瑟博士说。因此,学习算法有助于提高医疗服务的整体水平。
