目的 比较深度卷积神经网络(CNN)与皮肤科医师对色素痣和脂溢性角化病的诊断准确率.方法 使用5 094幅色素痣和脂溢性角化病(SK)的皮肤镜图像对CNN网络ResNet-50通过迁移学习进行训练,建立CNN二分类模型,并应用该模型对30幅色素痣和30幅SK的皮肤镜图像进行自动分类.同时,95位经过皮肤镜培训的有经验的皮肤科医师结合临床皮损图片对上述CNN自动分类的60幅皮肤镜图像进行判读.比较二者的诊断准确率,并对错误分类的图像做进一步统计分析.结果 CNN自动分类模型对色素痣和SK的皮肤镜图像的分类准确率分别为100%(30/30)和76.67% (23/30),总准确率为88.33%(53/60);95位皮肤科医师的诊断准确率平均值分别为82.98%(25.8/30)和85.96%(24.9/30),总准确率为84.47%(50.7/60).CNN自动分类模型与95位皮肤科医师对色素痣和SK的诊断准确率差异无统计学意义(x2=0.38,P>0.05).CNN错误分类的皮肤镜图像被分为3类,即特殊类型(如皮损色素含量多、角化明显),具有典型特征但存在干扰因素,具有典型特征尚找不到错误分类的原因.结论 CNN自动分类模型在色素痣和SK皮肤镜图像的二分类任务中的表现与有经验的皮肤科医师水平相当.CNN错误分类的原因仍需皮肤科医师与人工智能专业人员共同探索.
作者:王诗琪;刘洁;朱晨雨;舒畅;周航宁;谢凤英;徐涛;晋红中
来源:中华皮肤科杂志 2018 年 51卷 7期