文献类型：期刊文章

作　　者：王诗琪[1] 刘洁[2] 朱晨雨[1] 舒畅[1] 周航宁[3] 谢凤英[3] 徐涛[4] 晋红中[1]

Wang Shiqi;Liu Jie;Zhu Chenyu;Shu Chang;Zhou Hangning;Xie Fengying;Xu Tao;Jin Hongzhong(Department of Dermatology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100730, China;Beijing Key Laboratory of Precision Medicine for Diagnosis and Treatment of Allergic Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100730, Chin;Image Processing Center, School of Astronautics, Beihang University, Beijing 100191, Chin;Department of Epidemiology and Statistics, School of Basic Medicine, Peking Union Medical College, Institute of Basic Medical Sciences, Chinese Academy of Medical Sciences, Beijing 100005, Chin)

机构地区：[1]中国医学科学院北京协和医学院北京协和医院皮肤科,北京100730 [2]中国医学科学院过敏性疾病精准诊疗研究北京市重点实验室,北京100730 [3]北京航空航天大学宇航学院图像处理中心 [4]中国医学科学院基础医学研究所北京协和医学院基础学院流行病及统计学系

出　　处：《中华皮肤科杂志》

基　　金：中国医学科学院医学与健康科技创新工程项目（2017-12M-3-020）

年　　份：2018

卷　　号：51

期　　号：7

起止页码：486-489

语　　种：中文

收录情况：BDHX、BDHX2017、BIOSISPREVIEWS、CAB、CAS、CSCD、CSCD2017_2018、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的 比较深度卷积神经网络（CNN）与皮肤科医师对色素痣和脂溢性角化病的诊断准确率。方法 使用5 094幅色素痣和脂溢性角化病（SK）的皮肤镜图像对CNN网络ResNet-50通过迁移学习进行训练，建立CNN二分类模型，并应用该模型对30幅色素痣和30幅SK的皮肤镜图像进行自动分类。同时，95位经过皮肤镜培训的有经验的皮肤科医师结合临床皮损图片对上述CNN自动分类的60幅皮肤镜图像进行判读。比较二者的诊断准确率，并对错误分类的图像做进一步统计分析。结果 CNN自动分类模型对色素痣和SK的皮肤镜图像的分类准确率分别为100%（30/30）和76.67%（23/30），总准确率为88.33%（53/60）；95位皮肤科医师的诊断准确率平均值分别为82.98%（25.8/30）和85.96%（24.9/30），总准确率为84.47%（50.7/60）。CNN自动分类模型与95位皮肤科医师对色素痣和SK的诊断准确率差异无统计学意义（χ2 = 0.38，P 〉 0.05）。CNN错误分类的皮肤镜图像被分为3类，即特殊类型（如皮损色素含量多、角化明显），具有典型特征但存在干扰因素，具有典型特征尚找不到错误分类的原因。结论 CNN自动分类模型在色素痣和SK皮肤镜图像的二分类任务中的表现与有经验的皮肤科医师水平相当。CNN错误分类的原因仍需皮肤科医师与人工智能专业人员共同探索。

关 键 词：痣,色素  角化病,脂溢性  皮肤镜检查  神经网络(计算机)人工智能  深度卷积神经网络  

分 类 号：R739.5]