DED: Diagnostische Beweis-Distillation für die Akne-Schweregradbewertung auf Gesichtsbildern

Akne beeinträchtigt die Lebensqualität vieler Menschen erheblich. Die Einschätzung des Schweregrades von Akne spielt eine entscheidende Rolle bei der Therapie. In der medizinischen Fachwelt existiert jedoch kein einheitliches Kriterium zur Beurteilung der Aknegravität. Die meisten aktuellen Studien untersuchen den Einsatz fortschrittlicher visueller Modelle zur Klassifizierung des Aknegrades, fehlen jedoch an einer Anpassung an die spezifischen Anforderungen der Aknediagnose. Gleichzeitig schlagen einige Arbeiten speziell angepasste Methoden für einzelne Aknekriterien vor, die jedoch nicht auf andere Kriterien übertragbar sind. In dieser Studie präsentieren wir eine neue Methode zur Aknadiagnose, genannt Diagnostic Evidence Distillation (DED), die die Besonderheiten der Aknediagnose angemessen berücksichtigt und gleichzeitig für die Anwendung unter verschiedenen Aknekriterien geeignet ist. Zunächst analysieren wir umfassend die Gemeinsamkeiten verschiedener Aknekriterien und formulieren die Gesichtsaknendiagnose als ein nichtkonventionelles Bildklassifizierungsproblem, basierend auf diagnostischen Hinweisen bezüglich Art und Anzahl fein strukturierter Läsionen über das gesamte Gesicht verteilt. Anschließend entwickeln wir den DED-Framework, um die spezifischen Merkmale der Aknediagnose zu integrieren. Dieser Rahmen nutzt die Lehrer-Schüler-Struktur von Knowledge Distillation, um diagnostische Hinweise einzubinden, die bei neuen Patienten nicht verfügbar sind, aber im Trainingsdatensatz enthalten sind. Um die Beschränkungen durch unterschiedliche Kriterien zu überwinden, verwendet der Rahmen Faltungsneuronale Netze (CNNs) als Basiskomponenten, um die globale Einschätzung der Dermatologie nachzuahmen. Zudem stellen wir ein Subtask-Joint-Learning-Verfahren für das Lehrernetzwerk vor, um dessen Leitfunktion für das Schülernetzwerk zu stärken. Die DED-Methode wird auf zwei Datensätze, ACNE04 und PLSBRACNE01, angewendet, jeweils unter verschiedenen gängigen Aknekriterien. Die experimentellen Ergebnisse zeigen, dass die DED auf beiden Datensätzen die Diagnoseleistung signifikant verbessert, die bisherigen State-of-the-Art-Methoden übertreffen und die Diagnosegenauigkeit von Dermatologen erreicht. Die Genauigkeit, Sensitivität, Spezifität, Youden-Index und Gesamtgenauigkeit betragen auf dem ACNE04-Datensatz 85,31 %, 84,83 %, 94,66 %, 79,48 % und 86,06 %, und auf dem PLSBRACNE01-Datensatz 69,16 %, 65,62 %, 88,93 %, 54,54 % und 67,56 %, jeweils.