使用同一病灶的多张皮肤镜照片通过深度学习改善黑色素瘤分类:一项预后诊断准确性研究
图像与视频处理
2026-01-23 v1 计算机视觉与模式识别
机器学习
摘要
背景:基于卷积神经网络(CNN)的黑色素瘤分类器面临若干限制其在临床实践中实用性的挑战。目的:研究单个感兴趣病灶的多张真实世界皮肤镜视图对基于 CNN 的黑色素瘤分类器的影响。方法:本研究评估了 656 个疑似黑色素瘤病灶。分类器性能通过受试者工作特征曲线下面积(AUROC)、期望校准误差(ECE)和最大置信度变化(MCC)来衡量,对应(I)单视图场景、(II)使用每个病灶多张人工修改图像的多视图场景,以及(III)使用每个病灶多张真实世界图像的多视图场景。结果:使用真实世界图像的多视图方法将 AUROC 从单视图方法的 0.905(95% CI,0.879-0.929)显著提升至 0.930(95% CI,0.909-0.951)。ECE 和 MCC 也分别从 0.131(95% CI,0.105-0.159)降至 0.072(95% CI:0.052-0.093),以及从 0.149(95% CI,0.125-0.171)降至 0.115(95% CI:0.099-0.131),改善显著。将真实世界多视图与人工修改图像相比,诊断准确性和不确定性估计相当,但后者鲁棒性显著更差。结论:使用多张真实世界图像是一种低成本方法,可积极影响基于 CNN 的黑色素瘤分类器性能。
引用
@article{arxiv.2306.02800,
title = {Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study},
author = {Achim Hekler and Roman C. Maron and Sarah Haggenmüller and Max Schmitt and Christoph Wies and Jochen S. Utikal and Friedegund Meier and Sarah Hobelsberger and Frank F. Gellrich and Mildred Sergon and Axel Hauschild and Lars E. French and Lucie Heinzerling and Justin G. Schlager and Kamran Ghoreschi and Max Schlaak and Franz J. Hilke and Gabriela Poch and Sören Korsing and Carola Berking and Markus V. Heppt and Michael Erdmann and Sebastian Haferkamp and Konstantin Drexler and Dirk Schadendorf and Wiebke Sondermann and Matthias Goebeler and Bastian Schilling and Jakob N. Kather and Eva Krieghoff-Henning and Titus J. Brinker},
journal= {arXiv preprint arXiv:2306.02800},
year = {2026}
}