Mit Einer Genauigkeit, Die Die Von Nachwuchsdermatologen Weit Übertrifft, Entwickelten Das Peking University International Hospital Und Andere Einen Deep-Learning-Algorithmus Zur Erkennung Und Einstufung Von Akne-Läsionen

Akne, auch als Pickel bekannt, ist eine häufige chronisch-entzündliche Hauterkrankung, von der weltweit mehr als 80 % der Jugendlichen und 9,4 % der Menschen aller Altersgruppen betroffen sind. Eine genaue Einstufung des Akne-Schweregrads ist sowohl für die klinische Behandlung als auch für die nachfolgende Betreuung von entscheidender Bedeutung.Allerdings beruht die herkömmliche Akne-Klassifizierung auf der Beobachtung und klinischen Erfahrung von Dermatologen, und Fehler sind unvermeidlich.

In den letzten Jahren haben mit der kontinuierlichen Verbreitung künstlicher Intelligenz im medizinischen Bereich Methoden zur Akne-Bildanalyse auf Basis künstlicher Intelligenz zunehmend an Aufmerksamkeit gewonnen.  Zwar wurden einige Methoden der künstlichen Intelligenz entwickelt, um die Einstufung des Akne-Schweregrads zu automatisieren, doch wird ihre Leistung durch die Vielfalt der Akne-Bildaufnahmequellen und die verschiedenen Anwendungsszenarien beeinträchtigt.

In diesem Zusammenhang entwickelten Han Gangwen, Chefarzt der Abteilung für Dermatologie am Peking University International Hospital, und sein Team einen Deep-Learning-Algorithmus namens AcneDGNet, der Akne-Läsionen genau erkennen und ihren Schweregrad in verschiedenen Gesundheitsszenarien beurteilen kann. Das Ergebnis wurde in Scientific Reports, einer Tochtergesellschaft von Nature, unter dem Titel „Evaluation of an acne lesion detection and severity grading model for Chinese population in online and offline healthcare scenarios“ veröffentlicht.

Prospektive Evaluationen haben gezeigt, dassDer Deep-Learning-Algorithmus von AcneDGNet ist nicht nur genauer als der von jungen Dermatologen, sondern kann sich hinsichtlich der Genauigkeit auch mit der von erfahrenen Dermatologen messen.  Es kann Akne-Läsionen präzise erkennen und ihren Schweregrad in verschiedenen Gesundheitsszenarien bestimmen und unterstützt Dermatologen und Patienten effektiv bei der Diagnose und Behandlung von Akne in Online-Konsultationen und Offline-Szenarien medizinischer Behandlungen.

Forschungshighlights

* Innovatives Modelldesign: Durch die Integration von visuellem Transformer und Convolutional Neural Network können effizientere hierarchische Merkmalstabellen erstellt werden, wodurch die Klassifizierung genauer wird. * Diversifizierter Auswertungsdatensatz: Es wurden 2.157 Gesichtsbilder gesammelt, die sowohl öffentliche als auch selbst erstellte Datensätze abdecken. Die Bildaufnahmegeräte sind vielfältiger, die Daten umfassender und das Training und die Auswertung der Modelle repräsentativer. * Umfassende Bewertung in mehreren Szenarien: Bewerten Sie die Modellleistung in Szenarien mit Online-Beratung und Offline-Medizinbehandlung umfassend. Eine Kombination aus retrospektiven und prospektiven Daten wurde anhand von Datensätzen unterschiedlicher Art ausgewertet. * Die experimentellen Daten sind in hohem Maße referenzierbar: Die Daten stammen alle von der chinesischen Bevölkerung, und als Bewertungsstandard wurde die für den chinesischen Datensatz geeignete AGS-Skala ausgewählt, die der klinischen Realität Chinas besser entspricht und eine starke Unterstützung für die Aknediagnose und -forschung im Inland darstellt.

* Hohe Genauigkeit und klinischer Wert: Experimentelle Ergebnisse zeigen, dass die Klassifizierungsgenauigkeit von Online-Szenarien 89,5% und die von Offline-Szenarien 89,8% erreicht, mit kleinen Zählfehlern. Das Modell war bei der Einstufung von Akne genauer als Hautärzte.

Papieradresse:

https://www.nature.com/articles/s41598-024-84670-z

Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 200 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s

Datensatz: Multivariates unterstütztes Modelltraining und -testen

Die Forscher sammelten zwei öffentliche Datensätze, ACNE04 und AcneSCU, und drei selbst erstellte Datensätze, AcnePA1 (Aknedaten von Ping An Good Doctor), AcnePA2 und AcnePKUIH (Aknedaten des Peking University International Hospital). Alle Bilder in ACNE04, AcneSCU und AcnePA1 werden zufällig in Trainingsdatensätze und Testdatensätze aufgeteilt, während Bilder in AcnePA2 und AcnePKUIH nur als Testdatensätze verwendet werden.

Trainingsdatensatz:Enthält 586 Bilder von ACNE04, aufgenommen mit einer Digitalkamera; 220 Bilder von AcneSCU, gesammelt vom VISIA-System (digitales Bildgebungssystem zur Hauterkennung); 791 Bilder von AcnePA1, aufgenommen mit Smartphones.

Testdatensatz:Für zwei unterschiedliche Anwendungsszenarien wurden fünf Datensätze ausgewählt: Online-Beratung und Offline-Medizinbehandlung. Die Testdaten des Online-Beratungsszenarios umfassen 118 Bilder von AcnePA1 und 148 Bilder von AcnePA2, die alle mit Smartphones aufgenommen wurden. Die Testdaten der medizinischen Krankenhausszene umfassen 147 Bilder von ACNE04, die mit einer Digitalkamera aufgenommen wurden, 56 Bilder von AcneSCU, die mit dem VISIA-System erfasst wurden, und 91 Bilder von AcnePKUIH, die mit einer Kamera aufgenommen wurden. Wie unten gezeigt.

Modellarchitektur: Kombination von visuellem Transformer mit CNN

Laut den Daten der „Global Burden of Disease Study (GBD) 2021“ gibt es weltweit 231 Millionen Aknepatienten im Alter zwischen 10 und 24 Jahren, also fast 300 Millionen Menschen, was einem Viertel der Altersgruppe entspricht! Bei der herkömmlichen Aknediagnose beurteilen Ärzte den Schweregrad der Akne hauptsächlich durch eine visuelle Beurteilung.Allerdings beruht diese Methode stark auf der persönlichen Erfahrung des Arztes und ist mit großen Fehlern behaftet. Darüber hinaus ist es für die Menschen in Gegenden mit knappen medizinischen Ressourcen schwierig, eine Diagnose und Behandlung durch professionelle Dermatologen zu erhalten.

Das AcneDGNet in dieser Studie basiert auf einem innovativen Deep-Learning-Algorithmus, der den Visual Transformer (ViT) und ein Convolutional Neural Network geschickt kombiniert.

*Visual Transformer bietet einen einzigartigen Vorteil bei der Merkmalsextraktion und kann ein breiteres Spektrum an Merkmalsbeziehungen in Bildern erfassen.
* Faltungsneuronale Netzwerke können lokale Merkmale gut verarbeiten und verschiedene Akne-Läsionen genau identifizieren.

Der visuelle Transformer wird verwendet, um Merkmale aus Aknebildern aus verschiedenen Quellen zu extrahieren und leistungsstarke globale Merkmale zu generieren. Dann,Mithilfe von Faltungs-Neuronalen Netzwerken wurden gemäß den Richtlinien des Acne Grading System (AGS) vier Arten von Akne-Läsionen erkannt, nämlich Komedonen, Papeln, Pusteln und Knötchen/Zysten.Schließlich wird der Schweregrad der Akne durch die Zusammenführung globaler Merkmale und lokaler, läsionsbezogener Merkmale bestimmt.

Das in dieser Studie erwähnte AcneDGNet-Modell besteht aus drei Hauptmodulen: Modul zur Merkmalsextraktion, Modul zur Läsionserkennung und Modul zur Schweregradbewertung.Das Modul zur Merkmalsextraktion verwendet die visuelle Transformer-Architektur, um eine stärkere globale Merkmalsdarstellung zu generieren. Das Modul zur Läsionserkennung verwendet ein Convolutional Neural Network (CNN), um vier Arten von Akne-Läsionen zu erkennen. und das Modul zur Schweregradbewertung bestimmt den Schweregrad der Akne durch die Fusion globaler und lokaler läsionsbezogener Merkmalsdarstellungen.

Das AcneDGNet-Framework wird unten angezeigt. Zuerst wird das Gesichtsbild in das Merkmalsextraktionsmodul eingegeben.Dieses Modul umfasst die Swin Transformer-Architektur und die Feature-Pyramiden-Architektur.Anschließend wird die vom Merkmalsextraktionsmodul ausgegebene mehrskalige Merkmalskarte in das Modul zur Läsionserkennung bzw. das Modul zur Schweregradbewertung eingegeben.

Im Modul zur Läsionserkennung wird die Merkmalskarte der Akne-Kandidatenregion über die Netzwerkarchitektur für Regionsvorschläge abgerufen, um den Ort und die Kategorie jeder Akneläsion im Bild vorherzusagen. Im Modul zur Bewertung des SchweregradsDie Größe der mehrskaligen Feature-Maps wird angepasst und sie werden mit den regionalen, läsionsbezogenen Feature-Maps des Läsionserkennungsmoduls kombiniert, um den Schweregrad von Aknebildern vorherzusagen.

Modellevaluation in Online-Konsultations- und Offline-Medizinbehandlungsszenarien

Um die Wirksamkeit des AcneDGNet-Modells umfassender zu überprüfen, entwarfen die Forscher zwei Anwendungsszenarien:Es umfasst Online-Beratungsszenarien mit Smartphones zum Aufnehmen von Gesichtsbildern und Offline-Szenarien für medizinische Beratungen mit Digitalkameras, VISIA-Systemen und anderer professioneller Ausrüstung zum Aufnehmen von Fotos.Wählen Sie unterschiedliche Datensätze für die entsprechende Auswertung aus und wenden Sie unterschiedliche Auswertungsmethoden an.

1. Hohe Genauigkeit in medizinischen Online-Szenarien

Im medizinischen Online-Szenario wählten die Forscher sorgfältig Testdaten aus den Datensätzen AcnePA1 und AcnePA2 aus. Diese Daten stammen alle aus Bildern, die von Patienten mit Smartphones aufgenommen und hochgeladen wurden, wie in der folgenden Abbildung dargestellt, die die tatsächliche Situation der Bilderfassung in der Online-Gesundheitsversorgung widerspiegelt.

Die experimentellen Ergebnisse sind überraschend. AcneDGNet schneidet bei der Klassifizierung des Schweregrads von Akne gut ab.Die Gesamtgenauigkeit erreichte 89,5%.Für den AcnePA1-Datensatz:Die Genauigkeit beträgt 85,6%,Im AcnePA2-DatensatzDie Genauigkeitsrate beträgt bis zu 92,6%.  Dadurch kann AcneDGNet den Schweregrad der Akne genau bestimmen und Ärzten eine zuverlässige Grundlage für die Diagnose bieten. Die detaillierten Auswertungsergebnisse sind in der folgenden Tabelle dargestellt:

Neben der Einstufung zeigte AcneDGNet auch starke Fähigkeiten bei der Erkennung sich verändernder Trends bei Akneerkrankungen.Bei Tests mit dem AcnePA2-Datensatz konnte mit einer Genauigkeitsrate von 87,8% genau ermittelt werden, ob sich der Aknegrad eines Patienten verbessert hatte, unverändert blieb oder verschlechterte.Bei 74 Nachuntersuchungen wurden 65 Fälle von Akne-Trends korrekt identifiziert, wie unten gezeigt:

Auch in Bezug auf den Zählfehler schneidet AcneDGNet gut ab. Der Gesamtzählfehler verschiedener Akne-Läsionen betrug nur 1,91±3,28.Der Zählfehler für Komedonen betrug 0,70 ± 1,92, für Papeln 1,28 ± 2,01, für Pusteln 0,07 ± 0,29 und für Knötchen/Zysten 0,12 ± 0,38, wie in der folgenden Abbildung gezeigt. Eine so niedrige Fehlerrate weist darauf hin, dass AcneDGNet die Anzahl der Akne-Läsionen genau ermitteln und Ärzten so genaue Daten zur Beurteilung des Zustands liefern kann.

(II) Die Leistung der Offline-Krankenhausdiagnose übertrifft die von Ärzten mit mehr als 5 Jahren Erfahrung

AcneDGNet funktioniert auch in medizinischen Offline-Szenarien gut. Die Forscher führten retrospektive und prospektive Auswertungen auf Grundlage der Datensätze ACNE04, AcneSCU und AcnePKUIH durch. Wie unten gezeigt:

In der retrospektiven Auswertung wurde AcneDGNet anhand der Datensätze ACNE04 und AcneSCU getestet.Die Ergebnisse zeigen, dass die Gesamtgenauigkeit 90,1% erreicht. Darunter beträgt die Genauigkeit des ACNE04-Datensatzes 91,2% und die Genauigkeit des AcneSCU-Datensatzes 87,5%.Detaillierte Bewertungsergebnisse sind in der folgenden Tabelle aufgeführt.

In der prospektiven Auswertung wurde AcneDGNet anhand des AcnePKUIH-Datensatzes getestet und mit den Diagnoseergebnissen von zwei jungen Dermatologen mit mehr als 5 Jahren Erfahrung (JD1 und JD2) und zwei erfahrenen Dermatologen mit mehr als 10 Jahren Erfahrung (SD1 und SD2) verglichen, wie in der Abbildung dargestellt.

Die Ergebnisse sind erstaunlich.Die Genauigkeit von AcneDGNet erreichte 89,0%, was höher ist als die 80,8% von jungen Dermatologen und sehr nahe an den 90,7% von erfahrenen Dermatologen. Basierend auf den Ergebnissen der retrospektiven und prospektiven Auswertung erreichte die Gesamtgenauigkeit von AcneDGNet in Offline-Szenarien 89,8%.Dieser Erfolg zeigt zweifellos den großen Wert von AcneDGNet in medizinischen Offline-Szenarien. Es ermöglicht nicht nur eine präzise Aknediagnose, sondern bietet auch unerfahrenen Ärzten eine wirksame Unterstützung bei der Verbesserung der Diagnosegenauigkeit.

KI ermöglicht Hautdiagnosen und eröffnet das Zeitalter intelligenter Diagnose und Behandlung

Tatsächlich ist die Anwendung von KI in der Dermatologie bereits weit verbreitet. Im Jahr 2019 brachten L'Oréal und die Alibaba Group gemeinsam die weltweit erste mobile Anwendung zur Erkennung von Akneproblemen auf den Markt, die auf künstlicher Intelligenz basiert.——La Roche-Posay EFFACLAR SPOTSCAN.

Darüber hinaus entwickelte das Team von Professor Liu Jie von der Abteilung für Dermatologie am Peking Union Medical College Hospital und Hangzhou Yongliu Technology Co., Ltd. im Mai 2023 gemeinsamIntelligentes Bewertungssystem für den Schweregrad von AkneEs ist auch offiziell für die Branche freigegeben. Nach einem Jahr Anwendungspraxis und Beratungsfeedback von professionellen Ärzten wurde das System mehrfach algorithmisch verbessert und seine Funktionen optimiert. Im Februar 2024 veröffentlichte das Peking Union Medical College Hospital auf seiner offiziellen Website offiziell die Ankündigung der Transformation wissenschaftlicher und technologischer Errungenschaften. Nach der Überprüfung durch das Krankenhaus trat das System offiziell in die klinische Transformations- und Anwendungsphase ein.

Im Juli 2024 wurde Tencents KI-Roboter zur Aknediagnose und -behandlung offiziell auf den Markt gebracht. Es kann in nur 3 Sekunden eine genaue Diagnose stellen und in nur 10 Sekunden einen Behandlungsplan bereitstellen.Darüber hinaus wurde das medizinische KI-System von Tencent in mehr als 1.300 Einrichtungen eingesetzt.Die Ergebnisse der klinischen Studien sind atemberaubend: Die diagnostische Genauigkeit von zystischer Akne beträgt 99,71 TP3T (menschliche Ärzte kommen nur auf 82,41 TP3T); Akne-Ausbrüche können 6 Monate im Voraus gewarnt werden (Vorhersagesensitivität beträgt 91,3%); Das Risiko einer Narbenbildung durch die Behandlung wird um 76% reduziert (basierend auf 3,2 Millionen KI-Simulationen).

Nach kontinuierlichen Iterationen des Algorithmus ist die Aknediagnose grundsätzlich ausgereift. Als nächstes wird die KI-gestützte Hautdiagnose auf weitere Bereiche ausgeweitet.

Die Zukunft ist vielversprechend, KI für die Wissenschaft wird unbegrenzte Möglichkeiten bieten

Der Erfolg von AcneDGNet bei der Aknediagnose stellt einen neuen Durchbruch in der KI im medizinischen Bereich dar und lässt uns das enorme Potenzial der KI für die Wissenschaft erkennen. Es bietet nicht nur eine genauere und bequemere Diagnosemethode für Aknepatienten, sondern liefert auch wertvolle Erfahrungen und Beispiele für die Anwendung von KI im medizinischen Bereich.

Die Auswirkungen der KI auf die Wissenschaft beschränken sich nicht auf den medizinischen Bereich. Auch in anderen Wissenschaftsbereichen wie der Materialwissenschaft, der Physik und der Astronomie kann KI eine wichtige Rolle spielen. Es kann Wissenschaftlern dabei helfen, riesige Datenmengen zu verarbeiten und zu analysieren und den Fortschritt der wissenschaftlichen Forschung zu beschleunigen. In der Materialwissenschaft kann KI Wissenschaftlern helfen, leistungsfähigere Materialien zu entwickeln, indem sie die Eigenschaften von Materialien simuliert und vorhersagt. in der Physik kann es Wissenschaftlern helfen, experimentelle Daten zu analysieren und neue physikalische Phänomene und Gesetze zu entdecken; In der Astronomie kann KI Astronomen dabei helfen, astronomische Beobachtungsdaten zu verarbeiten und zu analysieren und neue Himmelskörper und kosmische Phänomene zu entdecken ...

KI ist wie ein Generalschlüssel, der Türen zu unbekannten wissenschaftlichen Bereichen öffnet. Ich bin davon überzeugt, dass KI für die Wissenschaft in Zukunft zu weiteren Durchbrüchen und Innovationen führen und einen größeren Beitrag zum Fortschritt und zur Entwicklung der Menschheit leisten wird!

Quellen:
1.https://mp.weixin.qq.com/s/vlzUWNQsxYaSVXKSt2dhhQ
2.https://cloud.tencent.com/developer/article/1526199
3.https://mp.weixin.qq.com/s/vN2q