黑色素瘤是一种恶性肿瘤，占全世界所有与皮肤癌相关的死亡的70%以上。多年以来，医生一直依靠目视检查来识别可疑的色素性病变(SPL)，这可能是皮肤癌的征兆。在基层医疗机构中对SPL进行此类早期鉴定可以改善黑色素瘤的预后并显着降低治疗成本。

挑战在于，由于大量色素沉着的病变常常需要进行潜在的活检，因此难以快速找到SPL并对其进行优先排序。现在，麻省理工学院和其他地方的研究人员已经设计了一条新的人工智能管道，该管道使用深度卷积神经网络(DCNN)，并通过使用大多数智能手机和个人相机中常见的广角摄影技术将其应用于分析SPL。

DCNN是神经网络，可用于对图像进行分类(或“命名”)，然后将它们聚类(例如在执行照片搜索时)。这些机器学习算法属于深度学习的子集。

据目前担任博士后和医疗器械专家的路易斯·索恩森(Luis R.Soenksen)称，该程序使用相机拍摄大面积患者身体的宽视野照片，该程序使用DCNN快速有效地识别和筛查早期黑色素瘤。麻省理工学院的第一位人工智能和医疗保健风险投资机构。Soenksen与麻省理工学院的研究人员进行了这项研究，其中包括麻省理工学院的医学工程与科学研究所(IMES)的教授玛莎·格雷，健康科学与技术教授W. Kieckhefer，电气工程和计算机科学教授。詹姆士·柯林斯(James J. Collins)，泰米尔医学工程与科学与生物工程学教授。

Soenksen是最近发表在《科学转化医学》杂志上的论文“利用深度学习进行皮肤科医生从宽视野图像中检测可疑色素性皮肤病变的论文”的第一作者，他解释说：“早期检测SPL可以挽救生命。但是，目前仍缺乏医疗系统提供大规模皮肤综合检查的能力。”

本文介绍了使用DCNN的SPL分析系统的开发，以更快，更有效地识别需要进一步研究的皮肤病变，可以在常规初级保健就诊时甚至患者自己进行的筛查。该系统利用DCNN优化广域图像中SPL的识别和分类。

研究人员使用人工智能，使用马德里GregorioMarañón医院的133位患者的20,388张宽视野图像以及公开可用的图像对系统进行了训练。图像是使用各种普通的相机拍摄的，这些相机很容易为消费者所用。皮肤科医生与研究人员一起对图像中的病变进行视觉分类以进行比较。他们发现，该系统避免了繁琐且耗时的单个病变成像，从而在将SPL与非可疑病变，皮肤和复杂背景区分开来时，灵敏度达到了90.3%以上。此外，本文还提出了一种提取患者内病变显着性的新方法(丑小鸭标准，病灶。

Soenksen解释说：“我们的研究表明，利用计算机视觉和深度神经网络对这些常见症状进行量化的系统可以获得与专业皮肤科医生相当的准确性。” “我们希望我们的研究振兴了在初级保健机构中进行更有效的皮肤病学筛查以推动足够的转诊的愿望。”

研究人员说，这样做可以更快，更准确地评估SPLS，并可以更早地治疗黑色素瘤。

该论文的资深作者Gray解释了这个重要项目的发展过程：“这项工作是由MIT Catalyst计划(其中五位共同作者)的同伴开发的一个新项目，该计划旨在使解决方案成为核心。迫切的临床需求。这项工作体现了HST / IMES奉献者(传统上是Catalyst创立者)利用科学促进人类健康的愿景。” 这项工作得到了卫生机器学习的Abdul Latif Jameel诊所的支持，并通过Madrid-MIT M +Visión联合会得到了来自马德里Juventud y和Comunidad deportes de Madrid的ConsejeríadeEducación的支持。

标签： 黑色素瘤