Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
Un algoritmo de aprendizaje profundo supera a algunos dermatólogos tablero-certificados en la diagnosis del cáncer de piel
{{{sourceTextContent.subTitle}}}
El aprendizaje profundo se ha importunado para que su potencial aumente la diagnosis de enfermedades, y ahora un equipo de investigadores en Stanford ha desarrollado un algoritmo de profundo-aprendizaje que puede hacer esta visión una realidad para la piel cancer.*
{{{sourceTextContent.description}}}
Los investigadores, llevados por el Dr. Sebastian Thrun, un profesor del adjunto en Stanford Artificial Intelligence Laboratory, divulgado en la aplicación del 25 de enero la naturaleza que su algoritmo circumvolucional profundo de la red neuronal (CNN) realizado también o mejor de 21 dermatólogos tablero-certificados en el diagnóstico del cáncer de piel. (Véase “el funcionamiento de la clasificación del cáncer de piel de CNN (azul) y de la figura de los dermatólogos (rojos)” abajo.)
El diagnóstico del cáncer de piel comienza con un examen visual. Un dermatólogo mira generalmente la lesión sospechosa a simple vista y con la ayuda de un dermatoscope, que es un microscopio del PDA que proporciona la ampliación de bajo nivel de la piel. Si estos métodos son poco concluyentes o llevan al dermatólogo a creer que la lesión es cacerígena, una biopsia es el paso siguiente. Este algoritmo de aprendizaje profundo puede ayudar a dermatólogos a decidir a qué lesiones de piel a hacer una biopsia.
“Mi momento principal de Eureka era cuando realicé apenas cómo serán los smartphones ubicuos,” dije a Stanford Department de Andre Esteva de la ingeniería eléctrica, autor de la co-ventaja del estudio. “Todo el mundo tendrá un superordenador en sus bolsillos con varios sensores en él, incluyendo una cámara. ¿Qué si podríamos utilizarlo para defender visualmente para el cáncer de piel? U otras dolencias?”
Se proyecta que habrá 6,3 mil millones subscriptionst del smartphone por el año 2021, según Ericsson Mobility Report (2016), que podría potencialmente proporcionar el acceso universal barato al cuidado de diagnóstico vital.
Crear el algoritmo circumvolucional profundo de la red neuronal (CNN)
Técnica profunda de la clasificación de CNN. El flujo de datos está de izquierda a derecha: una imagen de una lesión de piel (por ejemplo, melanoma) se deforma secuencialmente en una distribución de probabilidad sobre clases clínicas de enfermedad de la piel usando la arquitectura del inicio v3 CNN de Google preformada en el grupo de datos de ImageNet (1,28 millones de imágenes sobre 1.000 clases de objeto genéricas) y ajustada en el propio grupo de datos del equipo de 129.450 lesiones de piel que comprenden 2.032 diversas enfermedades. (crédito: Y otros/naturaleza de Andre Esteva)
Bastante que construyendo un algoritmo a partir de cero, los investigadores comenzaron con un algoritmo desarrollado por Google que fue entrenado ya para identificar 1,28 millones de imágenes a partir de 1.000 categorías del objeto. Fue diseñado sobre todo para poder distinguir gatos de perros, pero los investigadores lo necesitaron distinguir lesiones benignas y malas. Colaboraron tan con los dermatólogos en Stanford Medicine, así como Helen M. Blau, profesor de la microbiología y de la inmunología en Stanford y co-autor del papel.
El algoritmo fue entrenado con casi 130.000 imágenes que representaban más de 2.000 diversas enfermedades con una etiqueta asociada de la enfermedad, permitiendo que el sistema superen variaciones en ángulo, la iluminación, y el enfoque. El algoritmo entonces fue probado contra 1.942 imágenes de la piel que digital fueron anotadas con diagnosis biopsia-probadas del cáncer de piel. Total, el algoritmo identificó a la gran mayoría de casos del cáncer con las tarifas de exactitud que eran similares a los dermatólogos clínicos expertos.
Sin embargo, durante la prueba, los investigadores utilizaron las solamente imágenes de alta calidad, biopsia-confirmadas proporcionadas por la universidad de Edimburgo y el proyecto internacional de la colaboración de la proyección de imagen de la piel que representaron los cánceres de piel mas comunes y más mortales — carcinomas malos y melanomas malos.
Funcionamiento de la clasificación del cáncer de piel de CNN (azul) y de los dermatólogos (rojos). ** (crédito: Y otros/naturaleza de Andre Esteva)
Preguntaron los 21 dermatólogos si, sobre la base de cada imagen, procederían con biopsia o el tratamiento, o tranquilizan al paciente. Los investigadores evaluaron éxito por como de bien los dermatólogos podían diagnosticar correctamente lesiones cacerígenas y no-cacerígenas en más de 370 imágenes. ***
Sin embargo, Susan Swetter, profesor de la dermatología y director del programa pigmentado de la lesión y del melanoma en Stanford Cancer Institute y el co-autor del papel, observa que la “validación anticipada rigurosa del algoritmo es necesaria antes de que pueda ser ejecutada en práctica clínica, por los médicos y los pacientes igualmente.”
* cada año allí es cerca de 5,4 millones de nuevos casos de cáncer de piel en los Estados Unidos, y mientras que la tasa de supervivencia de cinco años para el melanoma detectado en sus estados más tempranos es el alrededor 97 por ciento, que cae al aproximadamente 14 por ciento si ha detectado en sus últimas etapas.
** “Funcionamiento de la clasificación del cáncer de piel de CNN y de los dermatólogos. CNN de aprendizaje profundo supera a la media de los dermatólogos en la clasificación del cáncer de piel usando fotográfico y
imágenes dermoscopic. Nuestro CNN se prueba contra por lo menos 21 dermatólogos en el carcinoma del keratinocyte y el reconocimiento del melanoma. Para cada prueba, las imágenes previamente no vistas, biopsia-probadas de lesiones se exhiben, y preguntan los dermatólogos si: biopsia/invitación la lesión o tranquilizar al paciente. Sensibilidad, la tarifa positiva verdadera, y especificidad, la tarifa negativa verdadera, funcionamiento de la medida. Un dermatólogo hace salir una sola predicción por imagen y es representado así por un solo punto rojo. Los puntos verdes son la media de los dermatólogos para cada tarea, con las barras de error denotando una desviación estándar.” — Y otros/naturaleza de Andre Esteva
El *** el funcionamiento del algoritmo fue medido a través de la creación de una curva de la sensibilidad-especificidad, donde la sensibilidad representó su capacidad de identificar correctamente lesiones malas y la especificidad representó su capacidad de identificar correctamente lesiones benignas. Fue evaluado con tres tareas de diagnóstico dominantes: clasificación del carcinoma del keratinocyte, clasificación del melanoma, y clasificación del melanoma cuando está visto usando dermoscopy. En las tres tareas, el algoritmo hizo juego el funcionamiento de los dermatólogos con el área debajo de la curva de la sensibilidad-especificidad que ascendía por lo menos al 91 por ciento de la superficie total del gráfico. Una ventaja añadida del algoritmo es que, a diferencia de una persona, el algoritmo se puede hacer más o menos sensible, permitiendo los investigadores adapten su respuesta dependiendo de lo que él quisiera que evaluara. Esta capacidad de alterar las indirectas de la sensibilidad en la profundidad y la complejidad de este algoritmo. La arquitectura subyacente de fotos aparentemente inútiles — incluyendo gatos y perros — le ayuda mejor a evaluar las imágenes de la lesión de piel.
Extracto de la clasificación del Dermatólogo-nivel del cáncer de piel con las redes neuronales profundas
El cáncer de piel, la malignidad humana más común, se diagnostica sobre todo visualmente, empezando por una investigación clínica inicial y es seguido potencialmente por análisis dermoscopic, una biopsia y el examen histopatológico. La clasificación automatizada de las lesiones de piel usando imágenes es una tarea desafiadora debido a la variabilidad de grano fino en el aspecto de las lesiones de piel. Potencial circumvolucional profundo de la demostración de las redes neuronales (CNNs) para las tareas generales y altamente variables a través de muchas categorías de grano fino del objeto. Aquí demostramos la clasificación de las lesiones de piel usando solo CNN, entrenamos a de punta a punta de imágenes directamente, usando los únicos pixeles y etiquetas de la enfermedad como entradas. Entrenamos a CNN usando un grupo de datos de grupo de datos-consistir que anterior más grande de 129.450 órdenes de magnitud clínicos de las imágenes-dos en 2.032 diversas enfermedades. Probamos su funcionamiento contra 21 dermatólogos tablero-certificados en imágenes clínicas biopsia-probadas con dos casos binarios críticos del uso de la clasificación: carcinomas del keratinocyte contra keratoses seborreicos benignos; y melanomas malos contra los nevos benignos. El primer caso representa la identificación de los cánceres mas comunes, el segundo representa la identificación del cáncer de piel más mortal. CNN alcanza funcionamiento junto con todos los expertos probados a través de ambas tareas, demostrando una inteligencia artificial capaz de clasificar el cáncer de piel con un nivel de capacidad comparable a los dermatólogos. Equipado con las redes neuronales profundas, los dispositivos móviles pueden potencialmente prolongar el alcance de dermatólogos fuera de la clínica. Se proyecta que 6,3 mil millones suscripciones del smartphone existirán por el año 2021 y pueden por lo tanto potencialmente proporcionar el acceso universal barato al cuidado de diagnóstico vital.