咏柳皮肤病paper

发表于 |

A Deep Learning Based Framework for Diagnosing Multiple Skin Diseases in a Clinical Environment

  1. 摘要

    • a novel framework based on deep learning
      • backbone：eff-b4
      • output layer改成14个neuron
      • 每个layer group后面接一个auxiliary classifier
      • 用t-SNE对image feature可视化
    • a dataset that represents the real clinical environment
      • 13,603 专家标注的皮肤镜图片
      • 14类（扁平苔藓LP，红斑狼疮Rosa，疣VW，痤疮AV，瘢痕KAHS，湿疹和皮炎EAD，皮肤纤维瘤DF，脂溢性皮炎SD，脂溢性角化SK，黑素细胞痣MN，血管瘤Hem，银屑病Pso，暗红色斑PWS，基底细胞癌BCC）
    • 精度
      • overall acc：0.948
      • sensitivity：0.934
      • specificity：0.950
      • AUC：0.985
      • 与280个权威专家比赛：showed a comparable performance level in an 8-class diagnostic task

  2. 方法

    • previous work不太适用于实际场景：不符合亚洲人发病率
    • database
      • this paper调研了北大医学部皮肤病科的database
      • from October 2016 to April 2020
      • 由同一个技师使用皮肤镜，对着病灶从不同角度，连续拍摄多张
      • 2个5年以上经验的专家，结合患者病史，临床表现，皮肤镜特征打标签
      • 2人意见不同的时候通过咨询第3人达成一致
      • 劣质数据（图像质量、病史不完整、病灶在黏膜/指甲）被排除
      • 提取了14 most frequently encountered 常见病，13,603 clinical images from 2,538 patient cases
    • 网络
      • eff-b4，gradually unfroze
      • 7 auxiliary classifiers + 1 final classifiers，element-wise summation
      • 无语子
    • Comparison with dermatologists
      • 280个专家，
      • 用独立的测试集：consists of 200 cases with a clinical image and a dermoscopic image，8类（MN, SK, BCC, EAD, SD, Pso, VW and Rosa），每类25
      • 模型只用皮肤镜图片
      • 都是8选1

  3. 一些精度

    • metrics

    • dataset

    • 皮肤镜图像示例

    • 总体精度

    • 混淆矩阵