{{{sourceTextContent.title}}}

Un algorithme d'étude profond surpasse quelques dermatologues panneau-certifiés dans le diagnostic du cancer de la peau

{{{sourceTextContent.subTitle}}}

L'étude profonde a été démarchée pour que son potentiel augmente le diagnostic des maladies, et maintenant une équipe de chercheurs chez Stanford a développé un algorithme de profond-étude qui peut faire à cette vision une réalité pour la peau cancer.*

{{{sourceTextContent.description}}}

Les chercheurs, menés par Dr. Sebastian Thrun, un professeur d'adjonction chez Stanford Artificial Intelligence Laboratory, rapporté dans la question du 25 janvier de la nature que leur algorithme circonvolutionnaire profond du réseau neurologique (CNN) exécuté aussi bien ou meilleur que 21 dermatologues panneau-certifiés à diagnostiquer le cancer de la peau. (Voir « l'interprétation de classification de cancer de la peau du CNN (bleu) et du chiffre de dermatologues (rouges) » ci-dessous.)

Le diagnostic du cancer de la peau commence par un examen visuel. Un dermatologue regarde habituellement la lésion méfiante à l'oeil nu et à l'aide d'un dermatoscope, qui est un microscope tenu dans la main qui fournit le rapport optique de bas niveau de la peau. Si ces méthodes sont peu concluantes ou mènent le dermatologue croire que la lésion est cancéreuse, une biopsie est la prochaine étape. Cet algorithme d'étude profond peut aider des dermatologues à décider quelles lésions cutanées à biopsier.

« Mon moment principal d'Eurêka était quand je me suis rendu compte juste à quel point les smartphones omniprésents seront, » ai dit Stanford Department d'Andre Esteva de l'électrotechnique, auteur de Co-avance de l'étude. « Chacun aura un ordinateur géant dans leurs poches avec un certain nombre de capteurs dans lui, y compris une caméra. Ce qui si nous pourrions l'employer pour examiner visuellement pour le cancer de la peau ? Ou d'autres maux ? »

On le projette qu'il y aura 6,3 milliards de subscriptionst de smartphone par l'année 2021, selon Ericsson Mobility Report (2016), qui pourrait potentiellement fournir l'accès universel bon marché au soin diagnostique essentiel.

Création de l'algorithme circonvolutionnaire profond du réseau neurologique (CNN)

Technique profonde de classification de CNN. Le flux de données est de gauche à droite : une image d'une lésion cutanée (par exemple, mélanome) est séquentiellement déformée dans une distribution de probabilité au-dessus des classes cliniques de la maladie de la peau utilisant l'architecture de CNN du commencement v3 de Google préalablement formée sur l'ensemble de données d'ImageNet (1,28 millions d'images plus de 1 000 classes d'objets génériques) et réglée avec précision sur le propre ensemble de données de l'équipe de 129 450 lésions cutanées comportant les 2 032 maladies différentes. (crédit : Et autres d'Andre Esteva/nature)

Plutôt qu'établissant un algorithme à partir de zéro, les chercheurs ont commencé par un algorithme développé par Google qui a été déjà formé pour identifier 1,28 millions d'images de 1 000 catégories d'objet. Il a été conçu principalement pour pouvoir différencier des chats des chiens, mais les chercheurs ont eu besoin de lui pour différencier les lésions bénignes et malignes. Ainsi ils ont collaboré avec des dermatologues chez Stanford Medicine, aussi bien que Helen M. Blau, professeur de la microbiologie et de l'immunologie chez Stanford et co-auteur du papier.

L'algorithme a été formé avec presque 130 000 images représentant les plus de 2 000 maladies différentes avec un label associé de la maladie, permettant au système de surmonter des variations d'angle, à l'éclairage, et au bourdonnement. L'algorithme a été alors examiné contre 1 942 images de peau qui ont été digitalement annotées avec des diagnostics biopsie-prouvés de cancer de la peau. De façon générale, l'algorithme a identifié la grande majorité de cas de cancer avec les taux d'exactitude qui étaient semblables aux dermatologues cliniques experts.

Cependant, pendant l'essai, les chercheurs ont employé seulement les images de haute qualité et biopsie-confirmées fournies par l'université d'Edimbourg et le projet international de collaboration de représentation de peau qui ont représenté les cancers de la peau les plus communs et les plus mortels — carcinomes malins et mélanomes malins.

Représentation de classification de cancer de la peau du CNN (bleu) et des dermatologues (rouges). ** (crédit : Et autres d'Andre Esteva/nature)

Les 21 dermatologues ont été demandés si, basé sur chaque image, ils poursuivraient la biopsie ou le traitement, ou rassurent le patient. Les chercheurs ont évalué le succès par à quel point les dermatologues pouvaient diagnostiquer correctement les lésions cancéreuses et non-cancéreuses dans plus de 370 images. ***

Cependant, Susan Swetter, professeur de la dermatologie et directrice du programme pigmenté de lésion et de mélanome à Stanford Cancer Institute et au co-auteur du papier, note que « la validation éventuelle rigoureuse de l'algorithme est nécessaire avant qu'elle puisse être mise en application dans la pratique clinique, par des praticiens et des patients de même. »

* chaque année là sont environ 5,4 millions de nouveaux cas de cancer de la peau aux Etats-Unis, et tandis que le taux de survie de cinq ans pour le mélanome détecté dans ses états plus tôt est environ 97 pour cent, qui chute à approximativement 14 pour cent s'il a détecté à ses étapes plus tardives.

** « Représentation de classification de cancer de la peau du CNN et des dermatologues. Le CNN de étude profond surpasse la moyenne des dermatologues à la classification de cancer de la peau utilisant photographique et

images dermoscopic. Notre CNN est examiné contre au moins 21 dermatologues au carcinome de keratinocyte et à la reconnaissance de mélanome. Pour chaque essai, des images précédemment invisibles et biopsie-prouvées des lésions sont montrées, et des dermatologues sont demandés s'ils : biopsie/festin la lésion ou rassurer le patient. Sensibilité, le véritable taux positif, et spécificité, le véritable taux négatif, représentation de mesure. Un dermatologue produit une prévision simple par image et est ainsi représenté par un seul point rouge. Les points verts sont la moyenne des dermatologues pour chaque tâche, avec des barres d'erreur dénotant un écart type. » — Et autres d'Andre Esteva/nature

Le *** la représentation de l'algorithme a été mesuré par la création d'une courbe de sensibilité-spécificité, où la sensibilité a représenté sa capacité d'identifier correctement les lésions malignes et la spécificité a représenté sa capacité d'identifier correctement les lésions bénignes. Il a été évalué par trois tâches diagnostiques principales : classification de carcinome de keratinocyte, classification de mélanome, et classification de mélanome une fois vu utilisant dermoscopy. Dans chacune des trois tâches, l'algorithme a assorti la représentation des dermatologues avec le secteur sous la courbe de sensibilité-spécificité s'élevant au moins à 91 pour cent de la surface totale du graphique. Un avantage supplémentaire de l'algorithme est que, à la différence d'une personne, l'algorithme peut être fait davantage ou moins sensible, permettant aux chercheurs d'accorder sa réponse selon ce qu'elles veulent qu'il évalue. Cette capacité de changer les signes de sensibilité à la profondeur et à la complexité de cet algorithme. L'architecture sous-jacente des photos apparemment inutiles — y compris des chats et des chiens — l'aide mieux à évaluer les images de lésion cutanée.

Résumé de classification niveau du dermatologue de cancer de la peau avec les réseaux neurologiques profonds

Le cancer de la peau, la malignité humaine la plus commune, est principalement diagnostiqué visuellement, commençant par un premier criblage clinique et potentiellement suivi d'analyse dermoscopic, d'une biopsie et de l'examen histopathologique. La classification automatisée des lésions cutanées utilisant des images est une tâche provocante dû à la variabilité à grain fin dans l'aspect des lésions cutanées. Potentiel circonvolutionnaire profond d'exposition de réseaux neurologiques (CNNs) pour des tâches générales et fortement variables à travers beaucoup de catégories à grain fin d'objet. Ici nous démontrons la classification des lésions cutanées utilisant un CNN simple, avons formé bout à bout des images directement, utilisant de seuls pixels et labels de la maladie comme entrées. Nous formons un CNN utilisant un ensemble de données de 129 450 ordres de grandeur cliniques d'images-deux plus grand ensemble de données-consister que précédent en 2 032 maladies différentes. Nous examinons sa représentation contre 21 dermatologues panneau-certifiés sur des images cliniques biopsie-prouvées avec deux cas binaires critiques d'utilisation de classification : carcinomes de keratinocyte contre des keratoses seborrheic bénins ; et mélanomes malins contre les naevus bénins. Le premier cas représente l'identification des cancers les plus communs, le deuxième représente l'identification du cancer de la peau le plus mortel. Le CNN réalise la représentation à l'égal de tous les experts examinés à travers les deux tâches, démontrant une intelligence artificielle capable de classifier le cancer de la peau avec un niveau de la compétence comparable aux dermatologues. Équipé des réseaux neurologiques profonds, les périphériques mobiles peuvent potentiellement prolonger la portée des dermatologues en dehors de la clinique. On le projette que 6,3 milliards d'abonnements de smartphone existeront par l'année 2021 et peuvent donc potentiellement fournir l'accès universel bon marché au soin diagnostique essentiel.