用于皮肤镜图像黑色素瘤识别的深度学习集成方法

黑色素瘤是最致命的皮肤癌。虽然早期发现可治愈，但只有训练有素的专业医生才能准确识别该疾病。由于专业知识资源有限，能够识别疾病的自动化系统可以挽救生命、减少不必要的活检并降低成本。为此，我们提出一个系统，该系统将深度学习的最新进展与成熟的机器学习方法相结合，创建了能够分割皮肤病变并分析检测区域及周围组织以进行黑色素瘤检测的集成方法。该系统使用最大的公开皮肤镜图像基准数据集进行评估，该数据集包含900张训练图像和379张测试图像。我们展示了新的最先进性能水平，使得受试者工作特征曲线下面积提升了7.5%（0.843 vs. 0.783），平均精度提升了4%（0.649 vs. 0.624），并且在临床相关的95%灵敏度工作点下测得的特异度比先前最先进水平高出2.9倍（36.8%特异度 vs. 12.5%）。在100张测试图像子集上，与8位皮肤科专家的平均水平相比，所提出的系统在相同灵敏度（82%）下取得了更高的准确率（76% vs. 70.5%）和特异度（62% vs. 59%）。