基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建
目的 比较基于皮肤镜图像的卷积神经网络(convolutional neural network,CNN)二分类模型在蕈样肉芽肿(mycosis fungoides,MF)与炎症性疾病鉴别诊断中的应用价值.方法 回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4:1的比例随机分为训练集和测试集.使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型.同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读.比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve,AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic,ROC)曲线进行可视化分析.结果 共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅).测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19％(95％CI:59.68％～80.70％)和94.74％(95％CI:91.77％～97.71％),Kappa值为0.677(95％CI:0.566～0.789).按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95％CI:0.84～0.89),灵敏度和特异度分别为75.02％(95％CI:70.19％～79.85％)和82.02％(95％CI:79.30％～84.87％),Kappa值为0.563(95％CI:0.507～0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95％CI:0.95～0.99),灵敏度和特异度分别为87.50％(95％CI:78.55％～96.45％)和93.85％(95％CI:88.93％～98.77％),Kappa值为0.920(95％CI:0.884～0.954).ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9％和100％,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方.结论 基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平.
早期蕈样肉芽肿;炎症性皮肤病;皮肤镜图像;卷积神经网络
12
R751;TP29(皮肤病学与性病学)
国家自然科学基金;中国医学科学院中央级公益性科研院所基本科研业务费专项资金;北京市自然科学基金
2021-10-13（万方平台首次上网日期，不代表论文的发表时间）
共9页
689-697
