Медицинский ИИ

Анализ кожных образований

Исследовательская модель классифицирует семь типов образований на дерматоскопических снимках. Она даёт дополнительный сигнал для предварительного анализа врачом.

Провёл исследование данных, обучение и независимую проверку модели классификации дерматоскопических снимков.

95,1%чувствительность к злокачественным классам на контрольной выборке

Открыть Derma AI

2024 — настоящее времяИсследование

Задача

При анализе кожных образований особенно важно не пропустить подозрительный снимок. Задача исследования — проверить, насколько модель может помочь в предварительном отборе таких изображений.

Решение

Модель оценивает семь классов и выделяет подозрительные изображения. Врач может использовать этот сигнал при предварительном анализе.

Практическая польза

Внимание к подозрительным снимкам

Оценка вероятности злокачественных классов помогает определить, какие изображения требуют дополнительного разбора.

Оценка по семи классам

Результат содержит вероятности типов образований для интерпретации специалистом, а не готовый диагноз.

Результат

На второй независимой контрольной выборке чувствительность к злокачественным классам составила 95,1%.
Общая точность классификации семи классов на этой выборке — 74%.

Подробности

Как устроено

Технологии

Python
PyTorch
Albumentations
Streamlit
InceptionV3
ONNX Runtime
FastAPI

Последовательность обработки

ISIC/HAM10000
аудит данных
разделение связанных снимков
замороженный ансамбль
независимая оценка

Данные и проверка

Данные

открытые дерматоскопические изображения ISIC/HAM10000
метки семи типов образований
связи между снимками одного кожного образования

Результаты проверки

Первая независимая контрольная выборка: 82% верных ответов; вторая: 74%.
На второй выборке сбалансированная точность — 75,5%, Macro-F1 — 74,2%, чувствительность к злокачественным классам — 95,1%.

Критерии качества

доля верных ответов
сбалансированная точность
Macro-F1
чувствительность к злокачественным классам

Ограничения

Показатели получены на открытых наборах: качество на снимках другой клиники или оборудования может отличаться.