Журнал Nature. 2 февраля 2017 года;542(7639):115-118. doi: 10.1038/nature21056. Электронная публикация 25 января 2017 года.

Классификация рака кожи с помощью глубоких нейрональных сетей уровня специалистов-дерматологов.

Esteva A¹, Kuprel B¹, Novoa RA^2,3, Ko J², Swetter SM^2,4, Blau HM⁵, Thrun S⁶.

Информация об авторах

1     Отдел электронной инженерии, Стэнфордский Университет, Стэнфорд, Калифорния, США.

2     Отделение дерматологии, Стэнфордский Университет, Стэнфорд, Калифорния, США.

3     Отделение патологии, Стэнфордский Университет, Стэнфорд, Калифорния, США.

4     Дерматологическая служба, Учреждение системы здравоохранения по делам ветеранов в Пало Альто, Пало Альто, Калифорния, США.

5     Даборатория Бакстер по изучению биологии стволовых клеток, Отдел микробиологии и иммунологии, Институт биологии стволовых клеток и регенеративной медицины, Стэнфордский Университет, Стэнфорд, Калифорния, США.

6     Отдел инфрматики, Стэнфордский Университет, Стэнфорд, Калифорния, США..

Опечатки

    Исправление: Классификация рака кожи с помощью глубоких нейрональных сетей уровня специалистов-дерматологов. [Nature. 2017]

Абстракт

Рак кожи, наиболее часто наблюдаемая у человека злокачественная опухоль, диагностируется в первую очередь визуально, начиная с исходного клинического скрининга, с возможностью последующего проведения дермоскопического анализа, биопсии и гистопатологического исследования. Автоматизированная классификация кожных поражений с использованием картинок является сложной задачей из-за   разнообразия мельчайших деталей во внешнем виде кожных поражений. Глубокие сверточные нейронные сети (CNN) демонстрируют потенциал в общих и крайне изменчивых заданиях для множества категорий детальнейших объектов. Здесь мы демонстрируем классификацию кожных поражений с использованием  одной CNN, обученной проводить сквозной поиск непосредственно по изображениям, с использованием только пикселей и ярлыкков заболеваний в качестве вводных данных. Мы обучали CNN, используя набор данных из 129,450 клинических изображений - с величиной на два порядка выше, чем в предыдущем наборе данных -  включающий в себя 2,032 различных заболеваний. Мы тестируем функциональность данной системы в сравнении с 21 дерматологом высшей категории при работе с подтвердленнми биопсией клиническими изображениями в рамках двух критических случаев с применением бинарной классификации: кератиноцитарная карцинома и доброкачественный себорейный кератоз, а также злокачественная меланома против доброкачественного невуса.  ПЕрвый случай представляет идентификацию наиболее распространенных типов рака, второй - выявление наиболее смертельного типа рака.  CNN действует, не уступая всем участвующим в тесте экспертам, демонстрируя, что искусственный интеллект способен классифицировать рак кожи с уровнем компетентности, сравнимым со специалистами-дерматологами.  Оснащенные глубокими  нейрональными сетями, мобильные устройства потенциально могут расширить доступность дерматологов за пределами клиники. Планируется, что к 2021 году будет существовать 6,3 миллиарда подписок для смартфона (ссылка 13) и, тем самым, потенциально будет предоставляться  бюджетный универсальный доступ к жизненно необходимой диагностической службе.

PMID:     28117445

DOI:     10.1038/nature21056

    [Индексировано для MEDLINE]

https://www.ncbi.nlm.nih.gov/pubmed/28117445