基于机器学习的移动平台用于视觉判断阴茎病理病因的开发与性能评估

机器学习算法可以促进低成本、用户引导的视觉诊断平台，以解决性健康服务可及性方面的差距。我们利用五种阴茎疾病的原始图像和增强图像构建了一个临床图像数据集：疱疹爆发、梅毒性下疳、阴茎念珠菌病、阴茎癌和生殖器疣。我们采用 U-net 架构模型进行语义像素分割，将图像分为背景或主体，使用 Inception-ResNet 版本 2 神经架构将每个像素分类为病变或非病变，并利用 GradCAM++ 生成显著性图。我们在随机抽取的 91% 图像数据库样本上训练模型，每张图像训练 150 个周期，并在剩余 9% 的图像上评估模型，评估指标包括召回率（或灵敏度）、精确率、特异性和 F1 分数（准确率）。在验证数据集的 239 张图像中，45 张（18.8%）为生殖器疣，43 张（18.0%）为 HSV 感染，29 张（12.1%）为阴茎癌，40 张（16.7%）为阴茎念珠菌病，37 张（15.5%）为梅毒性下疳，45 张（18.8%）为非病变阴茎。模型正确分类病变图像的总体准确率为 0.944。在 2023 年 7 月 1 日至 10 月 1 日期间，该移动平台共有 2,640 名独立用户。在随机抽样的提交样本（n=437）中，271 份（62.0%）来自美国，64 份（14.6%）来自新加坡，41 份（9.4%）来自加拿大，40 份（9.2%）来自英国，21 份（4.8%）来自越南。大多数用户（n=277 [63.4%]）年龄在 18 至 30 岁之间。我们报告了一种用于分类五种阴茎疾病的机器学习模型的开发情况，该模型在验证数据集上表现出色。该模型目前已在全球范围内使用，并具有改善阴茎疾病诊断服务可及性的潜力。