首页 > 文章详情

【Lancet Oncol】早期检测是赢得癌症战争的关键，计算机深度学习算法有望实现早期精准诊断黑色素瘤

2021年03月04日

编译：肿瘤资讯

来源：肿瘤资讯

早期发现黑色素瘤较易治愈，但目前尚缺乏有效检测手段实现对全人群可疑皮肤病变的筛查。近日，发表于Sci Transl Med期刊的一项关于计算机辅助诊断黑素瘤的研究结果表明广域图像SPL分析系统通过深度学习算法可检测皮肤科可疑色素病变，有助于早期诊断黑色素瘤。Flávia Oliveira Geraldes在Lancet Oncol上发表的文章对这一研究结果阐述了个人见解和观点。

广域图像SPL分析系统通过深度学习算法可检测皮肤科可疑色素病变

据报道，2019年美国有96,480人被诊断为黑色素瘤，导致7,230人死亡。在基层医疗机构中，早期识别可疑色素病变（SPL）可改善黑色素瘤患者的预后，并可能使治疗费用降低20倍。尽管有如此临床和经济价值，仍缺乏有效检测SPL的工具。

为了寻找最简单和最具临床意义的方法来解决以上问题，Luis Soenksen研究团队开发了一种使用深度卷积神经网络（DCNN）的广域图像SPL分析系统，并将其应用于从133例患者和公开可用图像中收集的38283个皮肤病学数据集（图1）。

图1 广域DCNN和“丑小鸭”显著性分布

这些图像是从各种消费级相机（15244张非皮肤镜图片）获得，并由3位委员会认证的皮肤科医生进行分类（图2）。该分析系统避免了繁琐的单个病变成像，在区分SPL与非可疑病变、皮肤和复杂背景方面，敏感性＞90.3%（95%CI，90%~90.6%），特异性达89.9%（89.6%~90.2%）（图2）。

图2 数据库分类和数据集示例

研究人员还提出了一种基于DCNN特征提取患者病灶显著性（丑小鸭标准）的新方法。该“丑小鸭”显著性排名通过3位委员会认证的皮肤科医生进行验证，使用了一组来自68例皮肤科患者的135张个人广域图像，这些图像不包括在DCNN训练集内，结果显示，82.96%（67.88%~88.26%）的时间内“丑小鸭”技术识别的病变与皮肤科医生共识诊断的病变一致（图3）。这种方法可以在基层机构门诊中快速、准确地评估色素病变的可疑程度，并对患者进行分流，提高医疗资源利用度，有助于黑色素瘤患者的早期治疗^[1]。

图3 基于广域图像的DCNN SPL系统和“丑小鸭”识别

利用计算机辅助诊断系统可达到与皮肤科专家相当的诊断准确性

Flávia Oliveira Geraldes对这一研究结果阐述了个人见解和观点。

在很大程度上黑色素瘤可预防，但它是一种最致命的皮肤癌。尽管有大量关于皮肤变化自我评估的指南，但据估计，全世界每年仍约有6.2万人死于黑色素瘤。造成这一现象的原因包括人们对黑素瘤的危险因素和症状认识不足导致未及时就诊，且早期黑色素瘤存在转移扩散的倾向。

尽管早期发现黑色素瘤极易治愈，但目前的手段无法实现对全人群可疑皮肤病变的筛查。随着深度学习技术的飞速发展，基于图像的皮肤病变自动筛查和分类已引起人们的极大兴趣，但目前仅限于对单个病变进行二元分类。近30年来，研究人员持续在探索一种可靠的方法用于对可疑色素病变进行自动识别和独立于人类（临床医生）的数字分析，但迄今为止仍未找到一种方法可以准确模拟皮肤科医生在临床实践中的诊断过程。

个人身上的大多数痣看起来很相似，而那些不相似的痣，即所谓的“丑小鸭”，被认为是黑色素瘤的警告信号，“丑小鸭”技术可帮助皮肤科医生识别潜在的恶性皮损。Luis Soenksen研究团队开发的新系统能够通过“丑小鸭”技术评估患者的几张皮肤照片，从而区分出可疑色素病变和非可疑病变。这是向前迈出的关键一步，因为现有的计算机辅助诊断系统还未被设计成像皮肤科医生在诊所中的诊疗行为一样，将同一患者中的病变与其他病变进行比较。

在研究单个病变之前，通过人工智能技术评估患者皮肤的广域图像无疑是朝着正确方向迈出的一步。研究表明，利用计算机视觉和深度神经网络量化这些体征的系统可达到与皮肤科专家相当的诊断准确性。研究人员相信，本研究可以在基层医疗机构提供更有效的皮肤病筛查以推动转诊。

早期检测是赢得癌症战争的关键，皮肤癌早期诊断的首个端到端自动筛查工具问世，有望使黑色素瘤筛查广泛普及

该研究团队还致力于使没有特殊设备的人也可以便捷应用这项技术，前提是确保该系统能够使用消费者级相机（如智能手机的相机）拍摄的图像，并且仍然能够产生高灵敏度、高特异性评估结果，并与3名委员会认证的皮肤科医生达成一致。

早期检测是赢得癌症战争的关键，这项技术有望使黑色素瘤筛查广泛普及^[2]。但研究人员需要确保这一工具转化为可衡量的改善结果，如降低死亡率。这应该与不可避免的假阳性结果相平衡，假阳性结果可能导致不必要的侵入性手术和患者焦虑。

后续仍有很多工作要做，重要的是确保算法适用于整个人类肤色。该研究所提出的基于卷积神经网络的系统通过从消费级相机上获取的图像，在病灶分类和患者内部病灶比较方面取得了最先进的性能。这是用于皮肤癌早期诊断的首个端到端自动筛查工具。此外，需要使该团队成为开源技术的认可者，从而能够更快地采用该技术并快速进行临床转化。

参考文献

[1]Soenksen LR, Kassis T, Conover ST, et al. Using deep learning for dermatologist-level detection of suspicious pigmented skin lesions from wide-field images. Sci Transl Med. 2021 Feb 17;13(581):eabb3652.

[2]Geraldes FO. Pushing the boundaries of computer-aided diagnosis of melanoma. Lancet Oncol. 2021 Feb 25:S1470-2045(21)00123-6.

责任编辑：Marie
排版编辑：Marie