文献类型：期刊文章

作　　者：刘兆睿[1] 张漪澜[2] 谢凤英[2] 刘洁[1]

LIU Zhaorui;ZHANG Yilan;XIE Fengying;LIU Jie(Department of Dermatology,State Key Laboratory of Complex Severe and Rare Diseases,National Clinical Research Center for Dermatologic and Immunologic Diseases,Peking Union Medical College Hospital,Chinese Academy of Medical Sciences&Peking Union Medical College,Beijing 100730,China;Image Processing Center,School of Astronautics,Beihang University,Beijing 100191,China)

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,疑难重症及罕见病国家重点实验室,国家皮肤与免疫疾病临床医学研究中心,北京100730 [2]北京航空航天大学宇航学院图像处理中心,北京100191

出　　处：《协和医学杂志》

基　　金：国家自然科学基金(61871011,62071011,61771031,82173449);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(2019XK320024);北京市自然科学基金(4192032)。

年　　份：2021

卷　　号：12

期　　号：5

起止页码：689-697

语　　种：中文

收录情况：CSCD、CSCD_E2021_2022、JST、ZGKJHX、普通刊

摘　　要：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�

关 键 词：早期蕈样肉芽肿  炎症性皮肤病 皮肤镜图像  卷积神经网络

分 类 号：R751] TP29[临床医学类]