用于辅助BCC诊断的双解释MultiTask学习AI系统
机器学习
2026-03-17 v3 人工智能
计算机视觉与模式识别
信息检索
图像与视频处理
摘要
根肉瘤 (BCC) 占皮肤癌的约75%。西班牙公共医院的teledermatology (远程皮肤科学诊所) 协议的采用增加了皮肤科医生的工作负担，促使开发皮肤病变优先级排序的AI工具。然而，当前系统的透明度有限，阻碍了临床接受。本研究提出了一个用于从皮肤图谱图像检测BCC的人工智能系统，该系统基于特定皮肤图谱模式整合皮肤科医生的诊断标准。我们分析了来自60个初级保健中心的1559张皮肤图谱图像，这些图像由4位皮肤科医生为七种BCC模式标注。使用Expectation-Maximization共识算法构建了统一的标准参考。基于MobileNet-V2开发了一个多任务学习模型，用于分类病变并识别临床相关模式，同时支持Grad-CAM可视化解释。该系统在BCC分类中实现了90%的准确率（精确率0.90，召回率0.89）。在99%的阳性病例中正确检测到临床相关的BCC模式，在95%的阴性病例中满足皮肤网络排除标准。Grad-CAM图显示与皮肤科医生定义区域的空间一致性很强。该系统结合了准确的BCC检测与基于模式的透明解释，帮助弥合AI性能与临床信任在远程皮肤科学诊所之间之间的差距。
引用
@article{arxiv.2407.00104,
title = {MultiTask Learning AI system to assist BCC diagnosis with dual explanation},
author = {Iván Matas and Carmen Serrano and Francisca Silva and Amalia Serrano and Tomás Toledo-Pastrana and Begoña Acha},
journal= {arXiv preprint arXiv:2407.00104},
year = {2026}
}
备注
23 pages, 4 figures, 5 tables, under review in Scientific Reports