возникают, когда клетки кожи растут группами, а не распространяются по коже. Эти клетки называются меланоцитами, и они производят пигмент, придающий коже естественный цвет.Родинки могут темнеть после пребывания на солнце, в подростковом возрасте и во время беременности.

Каковы причины лентиго?

Воздействие солнца, по-видимому, является основной причиной лентиго. Лентиго чаще всего появляется на участках тела, которые больше всего подвергаются воздействию солнца, включая лицо и руки. Некоторые лентиго могут быть вызваны генетикой (семейный анамнез) или медицинскими процедурами, такими как лучевая терапия.

Вверху: Изображение лентиго.

Почему появляются веснушки?

Причины появления веснушек включают генетику, заболевания (такие как пигментная ксеродерма, редкое заболевание, вызывающее повышенную чувствительность к ультрафиолетовому излучению, например, солнцу), и воздействие солнца.

Вверху: Изображение веснушек.

Что вызывает себорейный кератоз?

Причина себорейного кератоза неизвестна. Они появляются чаще, когда люди становятся старше. Они не приводят к раку кожи.

Вверху: изображение себорейного кератоза.

Управление и лечение

Как лечат родинки?

Если дерматолог считает, что родинку необходимо дополнительно обследовать или полностью удалить, он или она сначала возьмет биопсию (небольшой образец ткани родинки) для изучения тонких срезов ткани под микроскопом. Это простая процедура. (Если дерматолог подозревает, что родинка может быть злокачественной, удаление родинки не приведет к распространению рака.)

Если родинка окажется раковой, дерматолог удалит всю родинку, вырезав всю родинку и ободок нормальной кожи вокруг нее, а затем зашивая рану.

Как лечат кожные бородавки?

Ваш дерматолог может удалить папиллому, отрезав ее скальпелем или ножницами, с помощью криотерапии (замораживания) или электрохирургии (прижигание электрическим током).

Как лечат лентиго?

Существует несколько методов лечения лентиго:

• Криотерапия (замораживание)
• Лазерная хирургия
• Кремы для нанесения на кожу (включая ретиноиды и отбеливающие вещества)

Чем лечить веснушки?

Поскольку веснушки почти всегда безобидны, лечить их действительно не нужно. Как и при многих кожных заболеваниях, лучше избегать солнца или использовать солнцезащитный крем.Это особенно важно, потому что люди, у которых легко появляются веснушки (например, люди со светлой кожей), более склонны к развитию рака кожи.

Если вы считаете, что ваши веснушки — это проблема или вам не нравится, как они выглядят, вы можете скрыть их с помощью макияжа.

Как лечат себорейный кератоз?

Себорейный кератоз доброкачествен и не заразен. Поэтому их не нужно лечить.

Если вы решили удалить себорейный кератоз, потому что вам не нравится, как он выглядит, или из-за того, что он постоянно раздражается одеждой, методы его удаления включают их срезание, криотерапию и электрохирургию.

Профилактика

Можно ли предотвратить лентиго?

Лучший способ предотвратить лентиго — как можно дольше избегать пребывания на солнце. Используйте солнцезащитный крем на открытом воздухе и избегайте использования солярия, чтобы получить загар.

Можно ли предотвратить себорейный кератоз?

Себорейный кератоз невозможно предотвратить.

Надежность и технико-экономическое обоснование

Аннотация

Фон

Программное обеспечение для компьютерной диагностики (CADx), предоставляющее второе мнение, широко используется для помощи врачам в решении различных задач. Однако в дерматологии CADx в основном ограничивается диагностикой меланомы или меланоцитарного рака кожи. Частота немеланоцитарного рака кожи и доступность обычных цифровых макрографий повысили интерес к разработке CADx для более широкого применения.

Цели

Исследовать возможность использования CADx для диагностики как меланоцитарных, так и немеланоцитарных поражений кожи на основе обычных цифровых фотографических изображений.

Методы

Это исследование было одобрено экспертным советом учреждения, и требование о получении информированного согласия было отменено.В общей сложности 769 обычных фотографий меланоцитарных и немеланоцитарных поражений кожи были ретроспективно рассмотрены и использованы для разработки системы CADx. Были разработаны традиционные и новые функции изображения, связанные с цветом, для классификации поражений как доброкачественных или злокачественных с использованием машин опорных векторов (SVM). Эффективность CADx сравнивалась с эффективностью дерматологов.

Результаты

Общая чувствительность, специфичность и точность клиницистов составили 83,33%, 85,88% и 85,31% соответственно.Новые функции цветовой корреляции и анализа основных компонентов (PCA) улучшили классификационную способность базового CADx (p = 0,001). Расчетная площадь под кривой рабочей характеристики приемника (ROC) (Az) предложенной системы CADx составила 0,949, с чувствительностью и специфичностью 85,63% и 87,65% соответственно, и максимальной точностью 90,64%.

Выводы

Мы разработали эффективную систему CADx для классификации как меланоцитарных, так и немеланоцитарных поражений кожи с использованием обычных цифровых макрографов.Работа системы была аналогична работе дерматологов нашего института. Благодаря улучшенному извлечению признаков и анализу SVM мы обнаружили, что обычные цифровые макрографы пригодны для предоставления полезной информации для приложений CADx. Новые функции, связанные с цветом, значительно улучшили приложения CADx для лечения рака кожи.

Образец цитирования: Chang W-Y, Huang A, Yang C-Y, Lee C-H, Chen Y-C, Wu TY, et al. (2013) Компьютерная диагностика поражений кожи с использованием обычной цифровой фотографии: исследование надежности и осуществимости.ПЛОС ОДИН 8(11): е76212. https://doi.org/10.1371/journal.pone.0076212

Редактор: H. Peter Soyer, Университет Квинсленда, Австралия

Получено: 13 мая 2013 г.; Принято: 21 августа 2013 г.; Опубликовано: 4 ноября 2013 г.

Авторские права: © 2013 Chang et al. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания оригинального автора и источника.

Финансирование: Это исследование было поддержано Национальным научным советом Китайской Республики (Тайвань) в рамках грантов NSC 100–2221-E-008–009, 101–2221-E-008–021, NSC 101-2911- I-008–001 и NSC 99–2627-B-008-005. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Рак кожи является часто встречающимся злокачественным новообразованием у людей со светлой кожей.За последнее десятилетие количество методов лечения рака кожи значительно выросло, а стоимость лечения рака кожи была одной из самых высоких среди всех видов рака в США [1]–[3]. В 2012 году в США было зарегистрировано около 76 250 новых случаев меланомы и около 8 790 новых случаев смерти от меланомы [4]. Хотя уровень заболеваемости меланомой у азиатов ниже, чем у европеоидов, немеланомные виды рака кожи, такие как плоскоклеточная карцинома (SCC) или базально-клеточная карцинома (BCC), способствуют значительной заболеваемости среди азиатов со светлой кожей [5].По недавней оценке правительства Австралии, общая стоимость диагностики и лечения немеланомного рака кожи в 2010 г. составила 511 млн австралийских долларов, а в 2015 г. составит 703 млн [6].

Врачам всегда важно уметь распознавать и точно диагностировать рак кожи на ранних стадиях. При проведении скрининга рака кожи врачи обычно выявляют подозрительные поражения путем визуального осмотра, который сильно зависит от специальной подготовки, а точность диагностики может сильно различаться у людей с разным опытом [7]–[9].В Великобритании и Австралии растет интерес к улучшению диагностических возможностей врачей общей практики в распознавании и точной диагностике рака кожи [10], [11]. С развитием технологий компьютерного анализа изображений врачи могут получить объективное «второе мнение» с помощью программного обеспечения для компьютерного обнаружения (CAD) или компьютерной диагностики (CADx) для уточнения своих диагнозов [12]. В клинической практике ИБС широко используется в области обнаружения поражений, таких как обнаружение поражений молочной железы при маммографии [13]–[15], обнаружение легочных узлов на рентгенограммах грудной клетки или КТ [16]–[18] и выявление полипов. выявление при КТ-колонографии [19], [20].CADx также применялся для анализа изображений ядерной медицины [21], [22], поражений кожи [23]–[26] и гистопатологических изображений [27]–[29]. Было продемонстрировано, что CADx повышает точность диагностики у стажеров в области радиологии. В дерматологии преимущества интеграции CADx в клиническую диагностику пигментных поражений кожи для дерматологов остаются в стадии изучения [26], [30], [31].

Было высказано предположение, что уровень точности клиницистов можно повысить с помощью дерматоскопии.Однако этот подход зависит от специальной подготовки ограниченного круга клиницистов, в основном специалистов-дерматологов, занимающихся лечением опухолей кожи [26]. Более того, предыдущие исследования CADx в дерматологии, основанные на оцифрованных цветных изображениях или дерматоскопических изображениях, в основном были сосредоточены на выявлении меланомы или меланоцитарного рака кожи [23], [32]–[36]. Этот подход не является общеприменимым, особенно учитывая низкую заболеваемость меланомой среди азиатов. Мы заинтересовались разработкой диагностической системы, которая также может классифицировать немеланоцитарные виды рака кожи у азиатских людей.Учитывая легкий доступ к цифровой фотографии, способность анализировать обычные цифровые фотографические изображения была бы неоценимой для врачей общей практики. Этот метод мог бы сыграть важную роль в удаленном анализе поражений кожи с использованием цифровой фотографии в больницах, где не хватает специалистов-дерматологов.

Таким образом, целью данного исследования было изучение возможности классификации поражений кожи с помощью CADx с использованием обычных цифровых фотографических изображений. В частности, это исследование было направлено на разработку новых функций, связанных с цветом, для традиционной фотографии путем изучения характеристик многоцветных каналов с использованием коэффициентов корреляции Пирсона и анализа главных компонентов (PCA).Предложенную систему CADx сравнивали с традиционными методами.

Материалы и методы

Заявление об этике

Это исследование было одобрено институциональным наблюдательным советом больницы Медицинского университета Гаосюна (KMUH-IRB-980433), и требование получения информированного согласия было отменено.

Сбор данных

В период с января 2006 г. по июль 2009 г. дерматологи сделали в общей сложности 44418 цифровых фотографий последовательно взятых биопсий или иссеченных поражений кожи для гистологического подтверждения на кафедре дерматологии Медицинского университета Гаосюна в целях записи перед процедурами.После удаления неправильно зарегистрированных или некачественных изображений (несфокусированных или содержащих артефакт движения) база данных состоит из 24178 изображений от 3964 испытуемых (4192 экземпляра). Мы ретроспективно рассмотрели все случаи и исключили неопухолевые образцы (N = 3415) или поражения, которые подверглись предыдущим хирургическим процедурам (N = 8). В базе данных осталось 676 субъектов (769 образцов, 1899 изображений). Дерматолог (W.Y.C., с 5-летним опытом) тщательно просмотрел эти изображения и выбрал репрезентативное изображение крупным планом для каждого поражения.Изображения с артефактами волос не были исключены, потому что предварительный выбор данных показал небольшое влияние на большой набор данных в предыдущем исследовании [23]. Наше фотооборудование представляло собой 6,1-мегапиксельную цифровую зеркальную камеру с одним объективом (D70, Nikon Corporation, Токио, Япония) с макрообъективом 18–50 мм F2,8 (Sigma Corporation, Фукусима, Япония). При получении изображений крупным планом целевое поражение фокусировалось и располагалось в центре фотографий, а размер контролировался так, чтобы он не превышал 50% площади фотографии.

Все поражения наблюдались в клинике штатными сертифицированными дерматологами нашего института. Впечатления клиницистов до биопсии классифицировались как «доброкачественные», «злокачественные» или «неопределенные». Когда клиницисты не были достаточно уверены, чтобы поставить определенный доброкачественный или злокачественный диагноз, клиническое впечатление считалось «неопределенным». Гистопатологические диагнозы использовались в качестве «золотого стандарта» и также классифицировались как «доброкачественные» или «злокачественные». Классификация врача считалась согласованной, если категория первичного диагноза согласовывалась с окончательным патологоанатомическим заключением.Например, диагнозы были согласованными для клинически подозрительной БКР, которая была патологически доказана как плоскоклеточная карцинома, поскольку обе опухоли относятся к категории злокачественных.

Система CADx

Врач-дерматолог (W.Y.C., стаж 5 лет) вручную обозначил границы поражения кожи. Затем границы и соответствующие им макрофотографии (рис. 1А) обрабатывались программной системой, разработанной нашей группой. Программная система состоит из четырех компонентов: предварительная обработка изображений, извлечение признаков, выбор признаков и классификация.Эти компоненты показаны на рис. 1 и поясняются в следующих разделах.

Предварительная обработка изображения.

В предыдущих исследованиях велись дебаты относительно нормализации различных условий освещения и цвета кожи с использованием прилегающей кожи [37], [38]. В текущем исследовании исходная макрофотография была обрезана на два частичных изображения: одно, состоящее только из области поражения, и одно, состоящее из небольшого прямоугольного частичного изображения, которое содержало все целевое поражение плюс часть окружающей здоровой кожи.Чтобы стандартизировать этот шаг, обрезанная нормальная область кожи была установлена ​​равной площади поражения, а поражение располагалось в центре фрагмента изображения (рис. 1C). Маска бинарного изображения (рис. 1B) также была получена для обозначения пикселей поражения.

Извлечение обычных элементов.

Мы исследовали три группы (форма, текстура и цвет) из 73 обычных признаков, чтобы построить базовый CADx. Эти особенности кратко рассматриваются следующим образом.

Первая группа — это элементы формы.Из масок бинарного изображения (рис. 1В) были извлечены три обычных признака формы: асимметрия, компактность и радиальная дисперсия [39], [40].

Вторая группа — это особенности текстуры. Были извлечены два типа текстурных признаков: матрица длин серий серого (GRLLM) [41] и признаки грубости Тамуры [42]. Оценки грубости Тамуры были рассчитаны для всего фрагмента изображения (включая нормальную кожу и поражение) и только для области поражения. Поскольку функции GLRLM были определены в прямоугольных изображениях, эти функции были рассчитаны только для всего фрагмента изображения.Однако изображения в градациях серого были преобразованы из 256 в изображения с 16, 8, 4 и 2 уровнями серого. Одиннадцать функций GLRLM (перечисленных в таблице S1) были рассчитаны для каждого преобразованного серого изображения. Это вычисление привело к двум признакам грубости Тамуры и 44 признакам GLRLM.

Третья группа – это обычные цветовые признаки. Были рассмотрены три общих статистических признака: 1) дисперсия, мера распространения набора данных; 2) энтропия, мера случайности; и 3) асимметрия, мера асимметрии распределения.Эти характеристики оценивались для значений серого, красного, зеленого и синего каналов во всем фрагменте изображения и в области поражения. В результате этого анализа были получены восемь признаков дисперсии, восемь признаков энтропии и восемь признаков асимметрии.

Новые функции цвета.

В рамках этого исследования были изучены две группы из 18 новых цветовых характеристик, направленных на повышение производительности CADx. В отличие от вышеупомянутых обычных цветовых характеристик, которые учитывали данные о цвете только для одного цветового канала за раз, эти новые цветовые характеристики были получены одновременно из многомерных цветовых каналов.Особенности очерчены следующим образом:

Первая группа двухмерных цветовых особенностей. Коэффициент корреляции «продукт-момент» Пирсона является мерой линейной зависимости двух переменных [43]. На рисунке S1A показана корреляция значений пикселей красного и зеленого каналов для изображения на рисунке 1C. Шесть коэффициентов корреляции (красно-зеленый, зелено-синий, сине-красный, красно-серый, зеленый-серый и сине-серый) были рассчитаны как для всего фрагмента изображения, так и для области поражения.Это вычисление привело к 12 признакам корреляции.

Вторая группа трехмерных PCA цветовых признаков. PCA — это метод линейного преобразования, используемый для декорреляции данных и максимизации информационного содержания [44], [45]. Рисунок S1B иллюстрирует пример PCA для изображения на рисунке 1C. Метод PCA в основном анализирует значения красного, зеленого и синего (RGB) изображения для получения новой системы координат (рис. S1B), так что наибольшая дисперсия, известная как первый главный компонент (PC1), лежит на первой оси; второй главный компонент (PC2) представляет собой наибольшую дисперсию в направлении, ортогональном первой оси; а третья (PC3) ортогональна первой и второй осям.В качестве альтернативы основные компоненты PC1, PC2 и PC3 также могут быть оценены путем проецирования значений RGB каждого пикселя на три основные оси для формирования отдельных гистограмм для вычисления соответствующих отклонений (рис. S1C-E). В этом исследовании мы рассчитали все три основных компонента как для всего фрагмента изображения, так и для области поражения. Это вычисление привело к шести цветовым характеристикам PCA.

Оценка и выбор функций.

Сначала для оценки каждой функции использовался метод рабочих характеристик приемника (ROC) [46].Однофакторный анализ, основанный на площади под ROC-кривой (Az), был выполнен для индивидуальной оценки 73 традиционных и 18 новых признаков. Во-вторых, методы многофакторного анализа использовались для удаления менее информативных признаков, которые предоставляют меньше или дублируют информацию для дифференциации злокачественных новообразований, которые необходимо было устранить, чтобы получить более качественный и компактный подмножество признаков для оптимизации CADx. В этом исследовании мы выполнили эту задачу выбора, используя популярный пошаговый алгоритм обратного действия, называемый рекурсивным исключением признаков (RFE) [47].Таким образом, алгоритм удалял наименее информативные признаки по одному из набора признаков, используя линейные машины опорных векторов (SVM) [48]. Признак, которому SVM присвоил наименьший вес, считался наименее информативным. Процедура исключения выполнялась рекурсивно до тех пор, пока множество оставшихся признаков не стало пустым. Окончательное ранжирование функций основывалось на порядке исключения. Алгоритм RFE был применен для оптимизации как базовой CADx с набором из 73 (обычных) функций, так и предлагаемой CADx с 91 функцией (73 обычных и 18 новых функций).

Реализация программного обеспечения.

Для выбора функций мы использовали mlpy версии 3.5.0, свободно доступную библиотеку Python для машинного обучения [49], работающую на платформе Windows 7 (Microsoft, Ричмонд, Вашингтон, США). Линейный классификатор в mlpy был LIBLINEAR [50], а w ² использовался для критериев ранжирования [47]. Внутреннее программное обеспечение CADx для обработки изображений было разработано с использованием MATLAB версии R2012a (MathWorks, Natick, MA, USA), а код MATLAB можно найти в Compressed Archive S1.

Статистика

Используя патологические результаты в качестве золотого стандарта, была оценена чувствительность и специфичность классификации поражений кожи отдельными и всеми дерматологами. Эффективность различения злокачественных и незлокачественных поражений с помощью CADx оценивалась с использованием перекрестной проверки с исключением одного (LOOCV) с анализом кривой ROC. AUC ROC (Az) оценивался для каждого набора из 90 143 n 90 144 лучших наборов признаков, ранжированных алгоритмом RFE. Таким образом, Az был оценен для базового CADx с использованием 1, 2 и 73 обычных признаков, а для предложенного CADx с использованием 1 и 91 из всех признаков.Разница в производительности между базовым уровнем и предлагаемым CADx была оценена с использованием парного начального t-теста на основе Az, оцененного для оптимальных наборов функций, выбранных RFE. Значения Az двух ROC-кривых сравнивали с помощью теста Делонга [51]. Наконец, мы сравнили диагностическую точность CADx с индивидуальной и общей клинической диагностикой злокачественных поражений кожи. Все статистические анализы проводились с использованием R версии 3.0.0 [52]–[54].

Результаты

Демография

В общей сложности было получено 769 изображений различных областей интереса (ROI) от 676 пациентов, включая 296 мужчин (43.8%) и 380 женщин (56,2%) со средним возрастом ± стандартное отклонение 47,6 ± 21,0 года. Эти изображения включали 174 злокачественных образования и 595 доброкачественных образований. Демографические данные для каждого гистологического диагноза приведены в таблице 1. В этом исследовании было восемь меланом, в том числе четыре инвазивные меланомы и четыре неинвазивные меланомы. Количество меланом в нашей базе данных невелико, что согласуется с относительно низкой заболеваемостью среди азиатского населения по сравнению с европеоидами.

Клиническая эффективность

Клинические диагнозы поражений кожи были поставлены лицом к лицу 25 штатными дерматологами нашего института.Клиническая эффективность, определенная на основе поражений, в отношении которых врачи были более уверены и для которых они могли поставить определенный диагноз, была бы лучше, чем истинная эффективность врачей, оцениваемая путем включения поражений, в отношении которых они были менее уверены или которые они даже не могли различить. как доброкачественные или злокачественные. Чтобы предотвратить систематическую ошибку отбора и переоценку клинической эффективности, неопределенные случаи не были удалены и считались «неправильными» в этом исследовании, поскольку клиницист не мог поставить правильный диагноз.Из 769 поражений было 74 (15 злокачественных и 59 доброкачественных) клинически невыявленных поражений. При классификации этих случаев как неправильных диагнозов общая чувствительность, специфичность и точность составили 83,33% (95% доверительный интервал (ДИ), 77,09–88,14%) (145/174), 85,88% (82,85–88,45%) (511/174). 595) и 85,31% (82,63–87,63%) (656/769) соответственно. Работа каждого дерматолога показана в таблице 1 и на рисунке 2.

Рис. 2. Сравнение диагностической эффективности систем CADx и дерматологов.

ROC-кривые для дифференциации доброкачественных и злокачественных поражений с использованием базовой (красная линия) и предложенной (синяя линия) систем CADx. Показана клиническая чувствительность и специфичность работы дерматологов (кружков) нашего института, а площадь кружка указывает на количество биопсий, выполненных каждым врачом. Обратите внимание, что клиническая чувствительность и специфичность рассчитывались исходя из того, что клиницист всегда ставил «неправильный» диагноз для «неопределенных» поражений.

https://doi.org/10.1371/journal.pone.0076212.g002

Производительность CADx

Значения Az 91 изученного признака в диапазоне от 0,503 до 0,823, определенные с помощью однофакторного анализа, приведены в таблице S1. Чем выше Az, тем лучше функция работает по отдельности. Компактность достигла наивысшего Az (0,745) среди признаков формы. Текстурные характеристики оценены умеренно, от 0,511 до 0,769. Обычные цветовые характеристики, по-видимому, оценивались ниже среднего, от 0.506–0,703. Для сравнения, новая корреляция и цветовые характеристики PCA достигли гораздо более высокого значения Az, от 0,504 до 0,823.

Ранжирование 73 обычных и всех 91 (плюс 18 новых, связанных с цветом) признаков, определенное с использованием алгоритма RFE для выбора признаков в многомерном анализе, также обобщено в Таблице S1. Чем выше рейтинг, тем больше отличительной информации, которую функция предоставляет совместно. Четыре новые цветовые функции вошли в десятку лучших из 91 функции. Этими признаками были PC3 только области поражения и для всего обрезанного изображения (первое и восьмое места) и коэффициенты корреляции зелено-синего и зелено-серого только для области поражения (шестое и седьмое места).Оптимальный рабочий Az составил 0,953 (95% ДИ, 0,934–0,968) по новой CADx с использованием 24 функций по сравнению с 0,927 (95% ДИ, 0,906–0,947) по базовой CADx с использованием 21 функции. Az значительно улучшился, на 0,026 (p = 0,001). Чтобы избежать переобучения, число переменных в окончательной модели было уменьшено до менее одной десятой числа злокачественных поражений (N = 174) [55], [56]. После уменьшения количества функций оптимальный рабочий Az составил 0,949 (95% ДИ, 0,932–0,965) для нового CADx с использованием 16 функций по сравнению с 0.918 (95% ДИ, 0,895–0,941) по базовому уровню CADx с использованием 17 признаков. Az значительно улучшился, на 0,031 (p = 0,001). Рисунок 3 иллюстрирует Az базовой линии и предложенный CADx для всех возможных выбранных функций.

Рис. 3. Az с разным количеством функций для базовой и предлагаемой систем CADx.

После добавления новых функций, связанных с цветом, предложенный CADx имел лучшую производительность Az, чем базовая система CADx.

https://дои.org/10.1371/journal.pone.0076212.g003

Для сравнения производительности CADx и дерматологов были выбраны два лучших набора функций с наибольшим значением Az по сравнению с базовым и предложенным CADx. На рис. 2 представлены характеристики различения злокачественных новообразований кожи по исходному и предложенному CADx, а также индивидуальная и общая чувствительность/специфичность клинического диагноза дерматологами. Точность клиницистов и CADx в отношении каждого патологического диагноза показана на рисунке 4.Предложенная система CADx (использующая 16 лучших функций) работала сравнимо с общей работой дерматологов. Максимальная точность составила 90,64%, при которой чувствительность и специфичность составили 78,16% и 94,29% соответственно. При настройке рабочей точки так, чтобы она была аналогична рабочей точке дерматологов, чувствительность и специфичность CADx составили 85,63% и 87,65% соответственно. Эти цифры были аналогичны общей клинической чувствительности (83%) и специфичности (85,88%), определенным для всех дерматологов.После группировки поражений на меланоцитарные (N = 383) или немеланоцитарные (N = 386) поражения диагностическая точность предложенного CADx составила 91,38% и 82,90% соответственно. Два примера поражений кожи с неправильным клиническим диагнозом, но правильной классификацией CADx показаны на рисунке 5.

Рис. 5. Два поражения с неправильным клиническим диагнозом, но правильной классификацией CADx.

Два поражения с неправильным клиническим диагнозом, но правильной классификацией системы CAD. (А) Базально-клеточная карцинома.Кожный узел пестрой окраски. Клиническое впечатление: доброкачественная эпидермальная киста. (B) Внутридермальный невус. Асимметричный пигментированный узел с неровными краями. Клиническое впечатление: злокачественная меланома.

https://doi.org/10.1371/journal.pone.0076212.g005

Обсуждение

В этом исследовании был разработан прототип системы CADx для классификации поражений кожи с использованием современной технологии машинного обучения. В то время как базовая система CADx использует функции, которые дерматологи обычно учитывают в клинической практике, введение новых функций, связанных с цветом, увеличивает Az базовой системы CADx.Сила этого исследования заключается в его щедрых критериях включения и большом наборе данных, который представляет широкий спектр поражений кожи, встречающихся в повседневной практике, при этом каждому поражению ставится определенный гистопатологический диагноз. Наша система классификации была разработана на основе существенно разнородных категорий поражений и направлена ​​на выявление особенностей оцифрованных изображений поражений кожи, ранее не разработанных для азиатов.

В этом исследовании мы изучили потенциальную диагностическую ценность цифровой макрофотографии и сделали два важных вывода.Во-первых, воспользовавшись большим набором данных о гетерогенных поражениях кожи, мы обнаружили, что из клинических макрофотографий, снятых обычной цифровой камерой, можно извлечь полезную информацию, которая поможет классифицировать злокачественные новообразования с использованием современных технологий машинного обучения, таких как SVM. и РДЭ. Извлекая только обычные признаки формы, цвета и текстуры, базовый CADx достиг высокой производительности Az (0,918; 95% ДИ, 0,896–0,941), где 0,8< Az ≤0,9 считается хорошей производительностью, а 0.9< Az ≤1 считается отличным. Во-вторых, мы обнаружили, что многомерные цветовые характеристики, такие как корреляция и PCA, значительно улучшили CADx (p = 0,001) до максимального Az 0,949 (95% ДИ, 0,932–0,965). Четыре из 18 исследованных новых цветовых характеристик (PC3 только поражения, PC3 всего обрезанного изображения и корреляция зелено-синего и зелено-серого только для области поражения) были ранжированы RFE в 10 лучших из всех 91 изученный признак (таблица S1). Высокий рейтинг указывает на то, что многомерный подход дает хорошие цветовые характеристики.Что еще более важно, значительное улучшение Az на 0,031 указывает на то, что благодаря добавлению новых функций была обнаружена дополнительная различительная информация о цветовой дисперсии. Клиническая эффективность диагностики поражений кожи различается в разных институтах, и в нашей больнице клиническая эффективность дерматологов также сильно различалась (рис. 2), что может быть связано с разным уровнем опыта клиницистов и сложностью диагностики. случаи [23], [57]. Поэтому мы сравнили CADx с общей работой дерматологов и обнаружили, что диагнозы были схожими.

Предполагается, что цветовая дисперсия является важной характеристикой при клиническом наблюдении как невооруженным глазом, так и при дерматоскопическом исследовании. В правиле ABCD количество цветов положительно связано с риском малигнизации. Однако эти цветовые впечатления в основном являются субъективными описаниями, которые по-прежнему чрезвычайно трудно поддаются количественной оценке. Эта трудность коренится в сложных механизмах восприятия цвета человеком. Колбочки в сетчатке человека представляют собой три различных типа светочувствительных фоторецепторных клеток, которые достигают пика в цветах RGB и могут получать сигналы, реагируя на видимые цвета в разной степени.Человеческий мозг воспринимает цвета посредством противоположного процесса цветового зрения, обнаруживая различия между тремя типами клеток колбочек, что позволяет людям воспринимать разные цвета. Хотя человеческий мозг хорошо справляется с распознаванием цвета, позволяющим отличить поражение от нормальной кожи, он плохо справляется с количественной оценкой воспринимаемой цветовой вариации в очагах поражения. С помощью массива фильтров основных цветов компоненты RGB могут быть извлечены из разных цветов с помощью камеры и сохранены в виде цифровых данных, которые, в свою очередь, могут быть количественно оценены и проанализированы с помощью CADx.Дисперсия синего канала, например, вошла в тройку лучших (таблица S1) как в базовой, так и в предлагаемой системах CADx. Эта концепция предполагает, что количественная оценка одноцветных каналов системой CADx обеспечивает важные диагностические значения для базовых функций.

Когда клиницисты оценивают цветовую изменчивость, сопутствующие критерии, такие как изменение пигментации, вторичное изъязвление и аномальный рост сосудов, в значительной степени влияют на принятие решения. Поскольку каждое поражение имеет различное распределение RGB в цветовом пространстве, обычные цветовые характеристики, определенные в чистом красном, зеленом и синем каналах, могут не охватывать весь спектр всех рассматриваемых цветов.Кроме того, на статистику значений RGB пикселей могут влиять артефакты, такие как отражение рогового слоя, которое может сдвигать фактический цвет в сторону яркости, или тень стерической информации, которая может сдвигать фактический цвет в сторону темноты в обычной фотографии. Цифровые дерматоскопические системы, которые уменьшают отражение рогового слоя, были предпочтительнее обычной цифровой фотографии в недавних исследованиях CADx [23], [58], [59]. Чтобы преодолеть вышеупомянутые проблемы, мы исследовали два многомерных аналитических подхода к цвету: корреляцию и PCA.Насколько нам известно, многомерные цветовые особенности не упоминались как мощные признаки для анализа и диагностики рака кожи. Наши результаты показывают, что многомерный анализ может быть полезным инструментом для количественной оценки дисперсии цвета кожи в цифровой макрофотографии.

Коэффициенты корреляции исследуют линейную зависимость между двумя цветовыми каналами или между одним цветом и оттенками серого. Результаты показали, что функции цветовой корреляции, полученные из всего обрезанного изображения, достигли высоких значений Az, между 0.508 и 0,823, по сравнению со значениями Az обычных цветовых признаков, которые находились между 0,503 и 0,703. Зелено-синяя и зелено-серая корреляция всего обрезанного изображения были оценены как шестой и седьмой признаки по RFE, тогда как дисперсия зеленого канала только области поражения упала с пятого до пятьдесят девятого. При рассмотрении PCA с точки зрения геометрии три основных компонента отражают трехмерную «форму» распределения пикселей в пространстве RGB. Например, если пигментированный базально-клеточный рак проявляется изъязвлением и телеангиэктазиями, трехмерная «форма» распределения может быть более рассеянной, чем у доброкачественного невуса, который часто состоит в основном из простого коричневатого цвета.Среди всех особенностей PCA PC3, полученный как из области поражения, так и из всего обрезанного изображения, достиг наилучшего Az. Дисперсия по трем основным цветовым компонентам области поражения была устранена на ранней стадии во время устранения признаков, а PC3 как одной области поражения, так и всего обрезанного изображения заняли первое и восьмое места. Этот вывод можно объяснить следующим. Распределение цвета поражения или кожи по отдельности больше похоже на овальную или веретенообразную форму (рис. S1B), и каждая из них не будет давать определенного паттерна злокачественности.Цвет кожи может быть исходным, тогда как включение поражения изменит форму анализируемого цветового распределения. Смесь этих двух областей вносит неравномерность цветовой формы в цветовое пространство. Координата PC1 примерно отражает направление яркости и, следовательно, не является хорошим отличительным признаком. PC2 и PC3 представляют собой диагональные направления относительно наибольшей дисперсии цветов, на которые может влиять дисперсия поражения и кожи и/или разница между поражением и кожей.В процессе RFE высокий рейтинг PC3 предполагает, что этот компонент может быть новым отличительным признаком в диагностике злокачественных поражений кожи. После декорреляции цветов система CADx помогает анализировать и количественно определять три основных компонента каждого поражения, тем самым повышая точность диагностики, в то время как человеческие или обычные одномерные цветовые характеристики малопригодны для количественной оценки и анализа этого типа цветовой дисперсии.

Обсуждается необходимость нормализации с использованием прилегающей нормальной кожи [37], [38].В настоящем исследовании все цветовые характеристики были извлечены из изображений с включением и без включения прилегающей нормальной кожи. Включение прилегающей области кожи улучшило производительность Az для всех многомерных цветовых характеристик, кроме PC1. Точный механизм того, как включение участка нормальной кожи способствует выполнению этих функций, требует дальнейшего изучения. Использование системы CADx для анализа сложного цветового пространства может компенсировать слабость человеческого зрения и помочь в диагностике злокачественных новообразований.

Что касается анализа текстуры, была выбрана степень грубости Тамуры, поскольку она хорошо соответствует зрительному восприятию человеком пространственных вариаций уровней серого. Процедура грубости оценивает разницу между средними значениями соседних блоков разного размера. Чем больше размер блока, создающего максимальную разницу, тем грубее текстура изображения. Функции GLRLM были выбраны по той же причине визуального восприятия. Последовательные пиксели вдоль выбранной ориентации, как правило, имеют одинаковую интенсивность в гладкой области (с большой длиной пробега), в то время как их значения значительно изменяются в шероховатых областях (с короткой длиной пробега).

В клинических условиях чувствительность и специфичность сильно различались у разных врачей нашего института (рис. 2). Результат совместим с предыдущими сообщениями о том, что эффективность диагностики зависит от индивидуального клинического опыта и специальной подготовки по лечению кожных поражений [9], [57]. Предлагаемая система CADx не предназначена для замены рутинных клинических обследований, но с высоким Az (0,949) и управляемым размером 16 значимых признаков система может играть роль в обеспечении согласованных критериев для измерения признаков путем вычислений на месте, стабильное второе мнение для менее опытного персонала или поддержка клинического решения.Кроме того, CADx может обеспечить быстрое второе мнение при постановке диагноза с помощью теледерматологии, особенно в клинической ситуации, когда доступ к опытному врачу затруднен.

Необходимо признать несколько ограничений этого исследования. Осуществимость зависит от единой системы захвата изображений и последовательного контроля качества для каждого изображения. Чтобы использовать гистопатологический отчет в качестве золотого стандарта, анализ должен быть ограничен поражениями, полученными при биопсии. Те поражения, для которых клиницисты или пациенты решили не выполнять биопсию, не были включены в набор данных.Все изображения в наборе данных в нашем исследовании были получены от азиатских пациентов, посетивших один центр на юге Тайваня, поэтому мы не знаем, как система работает с типами кожи разных рас. Таким образом, обобщаемость наших результатов может быть ограничена поражениями, полученными при биопсии у азиатов. Есть опасения, что один дерматолог рисует границу поражения, потому что точность исследования может быть поставлена ​​под угрозу из-за субъективности человека [24], [60]. В будущих исследованиях следует провести исследования по рисунку границ группой экспертов или по разработке автоматизированной сегментации поражений.

Заключение

В заключение, мы разработали эффективную систему CADx, производительность которой аналогична той, которую используют дерматологи нашего института, и которая классифицирует как меланоцитарные, так и немеланоцитарные поражения кожи с использованием обычных цифровых макрофотографий. Благодаря расширенному выбору функций и анализу SVM мы также обнаружили, что новая цветовая корреляция и функции PCA значительно улучшили приложения CADx для рака кожи.

Дополнительная информация

Рисунок S1.

Корреляция значений пикселей красного и зеленого каналов повреждений кожи и анализ PCA изображения поражения. (A) Он показывает, что область поражения (синие точки) имеет большую ширину (что указывает на большее изменение цвета) и, следовательно, имеет более низкое значение коэффициента корреляции, чем нормальный участок кожи (красные точки). Шесть коэффициентов корреляции (красно-зеленый, зелено-синий, сине-красный, красно-серый, зелено-серый и сине-серый) были рассчитаны как для всего фрагмента изображения, так и для области поражения соответственно.(B) Три новые оси координат, рассчитанные с использованием PCA (синий: пиксели поражения; красный: нормальная кожа). (C, D, E) Гистограммы поражения (синий) и нормальной кожи (красный) для прогнозируемых данных по направлениям первого, второго и третьего основных компонентов соответственно.

10.1371/journal.pone.0076212.s001

(TIF)

Таблица S1.

Площадь под кривой характеристики оператора приемника (Az) различных признаков с использованием одномерного анализа и их ранжирование после процедуры исключения рекурсивных признаков (RFE) с использованием SVM.

10.1371/journal.pone.0076212.s003

(DOC)

Благодарности

Мы хотели бы поблагодарить доктора Тай-Цунг Чанга и доктора Хуэй-Мин Се за помощь в статистическом анализе. Мы также хотели бы поблагодарить доктора Цзян Ли из Университета Олд Доминион за предоставление программного обеспечения для анализа текстуры.

Авторские взносы

Задумал и спроектировал эксперименты: WC AH CY GC. Проведены эксперименты: WC AH CY YC TW. Проанализированы данные: WC AH CY CL GC.Предоставленные реагенты/материалы/инструменты анализа: AH CY GC TW. Написал статью: WC AH CY.

Каталожные номера

1. 1. Роджерс Х.В., Вайншток М.А., Харрис А.Р., Хинкли М.Р., Фельдман С.Р. и соавт. (2010) Оценка заболеваемости немеланомным раком кожи в США, 2006 г. Arch Dermatol 146: 283–287.
2. 2. Роджерс Х.В., Колдирон Б.М. (2012) Анализ лечения и затрат на лечение рака кожи среди населения США, пользующегося программой Medicare, 1996–2008 гг. Дерматол Хирург.
3. 3.Хаусман Т.С., Фельдман С.Р., Уиллифорд П.М., Флейшер А.Б. младший, Голдман Н.Д. и др. (2003) Рак кожи является одним из самых дорогостоящих видов рака для лечения населения Medicare. J Am Acad Dermatol 48: 425–429.
4. 4. Siegel R, Naishadham D, Jemal A (2012) Статистика рака, 2012. CA Cancer J Clin 62: 10–29.
5. 5. Sng J, Koh D, Siong WC, Choo TB (2009) Тенденции рака кожи среди азиатов, живущих в Сингапуре с 1968 по 2006 год. J Am Acad Dermatol 61: 426–432.
6. 6. Sinclair R (2013)Немеланомный рак кожи в Австралии. Британский журнал дерматологии 168: 1–2.
7. 7. Moffatt CR, Green AC, Whiteman DC (2006)Точность диагностики в клиниках рака кожи: опыт Австралии. Int J Dermatol 45: 656–660.
8. 8. Heal CF, Raasch BA, Buettner PG, Weedon D (2008)Точность клинической диагностики поражений кожи. Бр Дж. Дерматол 159: 661–668.
9. 9. Youl PH, Raasch BA, Janda M, Aitken JF (2007)Эффект образовательной программы для улучшения навыков врачей общей практики в диагностике меланоцитарных/пигментных поражений.Clin Exp Dermatol 32: 365–370.
10. 10. McKenna DB, Marioni JC, Lee RJ, Prescott RJ, Doherty VR (2004) Сравнение хирургического лечения меланомы кожи дерматологами, хирургами и врачами общей практики. Бр Дж. Дерматол 151: 636–644.
11. 11. Томсон М.А., Лоффельд А., Марсден Дж.Р. (2005)Больше случаев рака кожи, выявляемых по несрочным направлениям. Бр. Дж. Дерматол 153: 453–454.
12. 12. Doi K (2005) Текущее состояние и будущий потенциал компьютерной диагностики в медицинской визуализации.Br J Radiol 78: S3–S19.
13. 13. Fenton JJ, Taplin SH, Carney PA, Abraham L, Sickles EA, et al. (2007)Влияние компьютерного обнаружения на эффективность скрининговой маммографии. Медицинский журнал Новой Англии 356: 1399–1409.
14. 14. Freer TW, Ulissey MJ (2001)Скрининговая маммография с компьютерным обнаружением: проспективное исследование 12 860 пациентов в общественном центре груди. Радиология 220: 781–786.
15. 15. Warren Burhenne LJ, Wood SA, D’Orsi CJ, Feig SA, Kopans DB, et al.(2000) Потенциальный вклад компьютерного обнаружения в чувствительность скрининговой маммографии. Радиология 215: 554–562.
16. 16. Kim JS, Kim JH, Cho G, Bae KT (2005)Автоматическое обнаружение легочных узлов на КТ-изображениях: влияние толщины среза и интервала реконструкции — первоначальные результаты. Радиология 236: 295–299.
17. 17. Аваи К., Мурао К., Одзава А., Коми М., Хаякава Х. и др. (2004)Легочные узлы на КТ грудной клетки: влияние компьютерной диагностики на эффективность обнаружения рентгенологами.Радиология 230: 347–352.
18. 18. Wormanns D, Fiebich M, Saidi M, Diederich S, Heindel W (2002)Автоматическое обнаружение легочных узлов при спиральной КТ: клиническое применение системы компьютерной диагностики. Европейская радиология 12: 1052–1057.
19. 19. Ли Дж., Ван Уитерт Р., Яо Дж., Петрик Н., Франашек М. и др. (2008)Вейвлет-метод для компьютерного обнаружения полипов с помощью КТ-колонографии. Медицинская физика 35: 3527–3538.
20. 20. Богони Л., Катье П., Дундар М., Жеребко А., Лакаре С. и др.(2005) Компьютерное обнаружение (CAD) для КТ-колонографии: инструмент для удовлетворения растущей потребности. Br J Radiol 78 Spec No 1: S57–62.
21. 21. Fujita H, Katafuchi T, Uehara T, Nishimura T (1992)Применение искусственной нейронной сети к компьютерной диагностике ишемической болезни сердца на изображениях миокардиальной ОФЭКТ «бычий глаз». J Nucl Med 33: 272.
22. 22. Shiraishi J, Li Q, Appelbaum D, Pu Y, Doi K (2007)Разработка компьютерной диагностической схемы для обнаружения интервальных изменений при последовательных сканированиях костей всего тела.Медицинская физика 34: 25–36.
23. 23. Хоффманн К., Гамбихлер Т., Рик А., Кройц М., Аншютц М. и др. (2003) Диагностический и нейронный анализ рака кожи (DANAOS). Многоцентровое исследование для сбора и компьютерного анализа данных о пигментных поражениях кожи с использованием цифровой дерматоскопии. Бр. Дж. Дерматол 149: 801–809.
24. 24. Schmid-Saugeona P, Guillodb J, Thirana JP (2003) На пути к компьютерной системе диагностики пигментных поражений кожи. Comput Med Imaging Graph 27: 65–78.
25. 25. Буррони М., Корона Р., Делл’Эва Г., Сера Ф., Боно Р. и др. (2004)Компьютерная диагностика меланомы: надежность и технико-экономическое обоснование. Clin Cancer Res 10: 1881–1886.
26. 26. Пикколо Д., Феррари А., Перис К., Дайдон Р., Руджери Б. и др. (2002) Дерматоскопическая диагностика, проведенная обученным клиницистом по сравнению с клиницистом с минимальным обучением дерматоскопии, по сравнению с компьютерной диагностикой 341 пигментного поражения кожи: сравнительное исследование. Британский журнал дерматологии 147: 481–486.
27. 27. Сертел О., Конг Дж., Шимада Х., Каталюрек У., Зальц Дж. и др. (2009) Компьютерный прогноз нейробластомы на изображениях всего предметного стекла: Классификация стромального развития. Распознавание образов 42: 1093–1103.
28. 28. Цянь В., Жуков Т., Сонг Д., Токман М.С. (2007)Компьютерный анализ клеточных особенностей и биомаркеров для цитологической диагностики раннего рака легких. Anal Quant Cytol Histol 29: 103.
29. 29. Лессманн Б., Натткемпер Т., Ханс В., Дегенхард А. (2007) Метод связывания вычисленных характеристик изображения с гистологической семантикой в ​​невропатологии.Дж. Биомед Информ 40: 631–641.
30. 30. Перрино А., Гайд О., Френч Л., Сорат Дж. Х., Маргуб А. и др. (2007) Могут ли автоматизированные инструменты для анализа изображений дерматоскопии принести дополнительную пользу дерматологу? Исследование, сравнивающее результаты трех систем. Британский журнал дерматологии 157: 926–933.
31. 31. Tan E, Yung A, Jameson M, Oakley A, Rademaker M (2010)Успешная сортировка пациентов, направленных в клинику кожных поражений, с использованием теледерматоскопии (исследование IMAGE IT).Британский журнал дерматологии 162: 803–811.
32. 32. LeAnder R, Chindam P, Das M, Umbaugh SE (2010)Дифференциация меланомы от доброкачественных имитаторов с использованием метода относительного цвета. Skin Res Technol 16: 297–304.
33. 33. Umbaugh SE, Moss RH, Stoecker WV (1991)Применение искусственного интеллекта для выявления пестрой окраски в опухолях кожи. Журнал «Инженерия в медицине и биологии», IEEE 10: 57–62.
34. 34. Дург А., Стокер В., Куксон Дж., Умбо С., Мосс Р.Х. (1993)Идентификация пестрой окраски в опухолях кожи: нейронная сеть в сравнении с нейросетью.индукционные методы, основанные на правилах. Журнал «Инженерия в медицине и биологии», IEEE 12: 71–74.
35. 35. Ercal F, Chawla A, Stoecker WV, Lee HC, Moss RH (1994) Нейросетевая диагностика злокачественной меланомы по цветным изображениям. Биомедицинская инженерия, IEEE Transactions on 41: 837–845.
36. 36. Гуткович-Крусин Д., Эльбаум М., Швайковски П., Копф А. (1997) Можно ли дифференцировать раннюю злокачественную меланому от атипичного меланоцитарного невуса с помощью методов in vivo? Исследования и технологии кожи 3: 15–22.
37. 37. Марчесини Р., Касчинелли Н., Брамбилла М., Клементе С., Маскерони Л. и др. (1992) Спектрофотометрическая оценка неопластических и неопухолевых пигментных поражений кожи in vivo. II: Дискриминантный анализ между невусом и меланомой. Фотохим Фотобиол 55: 515–522.
38. 38. Уоллес В.П., Кроуфорд Д.К., Мортимер П.С., Отт Р.Дж., Бамбер Дж.К. (2000)Спектрофотометрическая оценка пигментных поражений кожи: методы и выбор признаков для оценки диагностической эффективности.Phys Med Biol 45: 735–751.
39. 39. Christensen JH, Soerensen MBT, Linghui Z, Chen S, Jensen MO (2010)Преддиагностическая модель прогнозирования цифровых изображений для различения злокачественной меланомы и доброкачественного пигментного поражения кожи. Skin Res Technol 16: 98–108.
40. 40. Zagrouba E, Barhoumi W (2004)Предварительный подход к автоматизированному распознаванию злокачественной меланомы. Изображение Анальный Стереол 23: 121–135.
41. 41. Al-Kadi OS (2010)Комбинация мер текстуры для улучшения классификации менингиом гистопатологических изображений.Распознавание образов 43: 2043–2053.
42. 42. Тамура Х., Мори С., Ямаваки Т. (1978) Текстурные особенности, соответствующие визуальному восприятию. IEEE Trans Syst Man Cybern 8: 460–473.
43. 43. Роджерс Дж. Л., Найсвандер В. А. (1988) Тринадцать способов взглянуть на коэффициент корреляции. Американский статистик: 59–66.
44. 44. Хсу С.М., Берк Х-ХК (2003)Мультисенсорное слияние с данными гиперспектральной визуализации: обнаружение и классификация. Журнал лаборатории Линкольна 14: 145–159.
45. 45. Джоллифф I (2005) Анализ основных компонентов: Интернет-библиотека Wiley.
46. 46. Брэдли А.П. (1997)Использование площади под кривой ROC при оценке алгоритмов машинного обучения. Распознавание образов 30: 1145–1159.
47. 47. Guyon I, Weston J, Barnhill S, Vapnik V (2002)Отбор генов для классификации рака с использованием машин опорных векторов. Машинное обучение 46: 389–422.
48. 48. Вапник В.Н. (2000) Природа статистической теории обучения: Springer Verlag.
49. 49. Альбанезе Д., Висинтейнер Р., Мерлер С., Риккадонна С., Юрман Г. и др.. (2012) mlpy: Машинное обучение Python.
50. 50. Fan R-E, Chang K-W, Hsieh C-J, Wang X-R, Lin C-J (2008) LIBLINEAR: библиотека для большой линейной классификации. Журнал исследований машинного обучения 9: 1871–1874.
51. 51. Делонг Э.Р., Делонг Д.М., Кларк-Пирсон Д.Л. (1988) Сравнение площадей под двумя или более коррелированными кривыми рабочих характеристик приемника: непараметрический подход.Биометрия: 837–845.
52. 52. R Core Team (2013) R: язык и среда для статистических вычислений. R Фонд статистических вычислений Вена, Австрия.
53. 53. Робин Х., Турк Н., Хейнард А., Тиберти Н., Лисачек Ф. и др. (2011) pROC: пакет с открытым исходным кодом для R и S+ для анализа и сравнения кривых ROC. Биоинформатика BMC 12: 77.
54. 54. Wickham H (2009) ggplot2: элегантная графика для анализа данных. Нью-Йорк: Спрингер.
55. 55.Блюм А., Залаудек ​​И., Ардженциано Г. (2008)Цифровой анализ изображений для диагностики опухолей кожи. Semin Cutan Med Surg 27: 11–15.
56. 56. Harrell FE (2001) Стратегии регрессионного моделирования: с приложениями к линейным моделям, логистической регрессии и анализу выживания: Springer. 61 р.
57. 57. Morton C, Mackie R (1998)Клиническая точность диагностики злокачественной меланомы кожи. Британский журнал дерматологии 138: 283–287.
58. 58. Биндер М., Киттлер Х., Драйзайтль С., Ганстер Х., Вольф К. и др.(2000)Компьютерная эпилюминесцентная микроскопия пигментных поражений кожи: значение клинических данных для процесса классификации. Меланома рез. 10: 556–561.
59. 59. Блюм А., Людтке Х., Эльвангер У., Швабе Р., Расснер Г. и др. (2004) Анализ цифровых изображений для диагностики меланомы кожи. Разработка высокоэффективного компьютерного алгоритма на основе анализа 837 меланоцитарных поражений. Бр Дж. Дерматол 151: 1029–1038.
60. 60. Джоэл Г., Шмид-Саугон П., Гуггисберг Д., Чероттини Дж. П., Браун Р. и др.(2002) Валидация методов сегментации для цифровой дерматоскопии. Skin Res Technol 8: 240–249.

Набор данных HAM10000, большая коллекция дерматоскопических изображений распространенных пигментных поражений кожи из нескольких источников

Учебный набор HAM10000 включает пигментные поражения различных групп населения. Австрийский набор изображений состоит из поражений пациентов, направленных в третичный европейский справочный центр, специализирующийся на раннем выявлении меланомы в группах высокого риска.Эта группа пациентов часто имеет большое количество невусов и меланому в личном или семейном анамнезе. Австралийский набор изображений включает поражения пациентов учреждения первичной медико-санитарной помощи в районе с высокой заболеваемостью раком кожи. Австралийские пациенты типичны для тяжелых хронических солнечных повреждений. Хроническое солнечное повреждение кожи характеризуется множественными солнечными лентиго и эктатичными сосудами, которые часто присутствуют на периферии целевого поражения. Очень редко также небольшие ангиомы и себорейные кератозы могут сталкиваться с целевым поражением.Этот «шум» мы не убирали, терминальные волосы тоже не удаляли, потому что это отражает ситуацию в клинической практике. В большинстве случаев, хотя и не всегда, целевое поражение находится в центре изображения. Дерматоскопические изображения обоих исследуемых участков были получены с помощью различных устройств с использованием поляризованной и неполяризованной дерматоскопии. Набор включает репрезентативные примеры пигментных поражений кожи, которые имеют практическое значение. Более 95% всех поражений, встречающихся в клинической практике, попадают в одну из семи диагностических категорий.На практике задача клинициста состоит в том, чтобы дифференцировать злокачественные новообразования от доброкачественных, а также ставить конкретные диагнозы, поскольку различные злокачественные новообразования, например меланома и базально-клеточная карцинома, могут лечиться по-разному и в разные сроки. За исключением сосудистых поражений, которые пигментированы гемоглобином, а не меланином, все поражения имеют варианты, полностью лишенные пигмента (например, меланотическая меланома). Беспигментные поражения, которые более разнообразны и имеют большее количество возможных дифференциальных диагнозов, не входят в этот набор.

Следующее описание диагностических категорий предназначено для компьютерных специалистов, не знакомых с литературой по дерматологии:

akiec

Актинические кератозы (солнечные кератозы) и интраэпителиальная карцинома (болезнь Боуэна) являются распространенными неинвазивными вариантами плоскоклеточного рака. рак, который можно лечить локально без хирургического вмешательства. Некоторые авторы рассматривают их как предшественников плоскоклеточного рака, а не как настоящие карциномы. Однако существует мнение, что эти поражения могут прогрессировать до инвазивной плоскоклеточной карциномы, которая обычно не пигментирована.Оба новообразования обычно имеют поверхностное шелушение и обычно лишены пигмента. Актинический кератоз чаще встречается на лице, а болезнь Боуэна чаще встречается на других участках тела. Поскольку оба типа индуцируются УФ-светом, окружающая кожа обычно характеризуется серьезными повреждениями от солнца, за исключением случаев болезни Боуэна, которые вызваны вирусом папилломы человека, а не УФ-излучением. Пигментные варианты существуют для болезни Боуэна ²⁰ и актинического кератоза ²¹ , и оба они включены в этот набор.

Дерматоскопические критерии пигментированного актинического кератоза и болезни Боуэна подробно описаны Zalaudek et al . ^22,23 и Кэмерон и др. . ²⁰ .

bcc

Базально-клеточная карцинома — распространенный вариант эпителиального рака кожи, который редко дает метастазы, но при отсутствии лечения деструктивно растет. Он проявляется в различных морфологических вариантах (плоский, узелковый, пигментированный, кистозный), которые более подробно описаны Lallas et al . ²⁴ .

bkl

«Доброкачественный кератоз» — родовой класс, который включает себорейные кератозы («старческие бородавки»), солнечное лентиго, которое можно рассматривать как плоский вариант себорейного кератоза, и кератозы, подобные плоскому лишаю (ЛПЛК), что соответствует себорейному кератозу или солнечному лентиго с воспалением и регрессом ²⁵ . Три подгруппы могут выглядеть по-разному дерматоскопически, но мы сгруппировали их вместе, потому что они схожи биологически и часто описываются под одним и тем же общим термином гистопатологически.С дерматоскопической точки зрения, кератозы, похожие на красный плоский лишай, особенно сложны, потому что они могут иметь морфологические признаки, имитирующие меланому ²⁶ , и часто подвергаются биопсии или иссечению

по диагностическим причинам. Дерматоскопические проявления себорейного кератоза различаются в зависимости от анатомической локализации и типа ²⁷ .

df

Дерматофиброма — это доброкачественное поражение кожи, расцениваемое как доброкачественная пролиферация или воспалительная реакция на минимальную травму.Наиболее распространенным дерматоскопическим проявлением являются ретикулярные линии на периферии с белым пятном в центре, обозначающим фиброз ²⁸ .

nv

Меланоцитарные невусы представляют собой доброкачественные новообразования меланоцитов и проявляются во множестве вариантов, которые все включены в нашу серию. Варианты могут значительно отличаться с дерматоскопической точки зрения. В отличие от меланомы они обычно симметричны в отношении распределения цвета и структуры ²⁹ .

mel

Меланома представляет собой злокачественное новообразование, происходящее из меланоцитов, которое может проявляться в различных вариантах.При удалении на ранней стадии его можно вылечить простым хирургическим вмешательством. Меланомы могут быть инвазивными или неинвазивными (на месте). Мы включили все варианты меланомы, включая меланому in situ, но исключили беспигментную, подногтевую, глазную или слизистую меланому.

Меланомы обычно, хотя и не всегда, хаотичны, и некоторые специфические критерии меланомы зависят от анатомической локализации ^23,30 .

vasc

Сосудистые поражения кожи в диапазоне от вишневых ангиом до ангиокератом ³¹ и пиогенных гранулем ³² .Кровотечение также входит в эту категорию.

Ангиомы дерматоскопически характеризуются красным или фиолетовым цветом и твердыми, четко очерченными структурами, известными как красные комки или лакуны.

Количество изображений в наборах данных не соответствует количеству уникальных поражений, поскольку мы также предоставляем изображения одного и того же поражения, сделанные с разным увеличением или под разными углами (рис. 4) или разными камерами. Это должно служить естественным дополнением данных, поскольку оно показывает случайные преобразования и визуализирует как общие, так и локальные особенности.

Вместо того, чтобы обрезать большое исходное изображение до разных размеров, оно изначально было снято с разным увеличением и под разными углами.

Изображения в наборе данных могут отличаться от тех, которые конечный пользователь, особенно неспециалисты, предоставил бы в реальном сценарии. Например, были удалены недостаточно увеличенные изображения небольших поражений или изображения не в фокусе.

Мы использовали автоматизированную проверку с помощью нейронных сетей, многочисленные проверки вручную и очистили EXIF-данные изображений, чтобы удалить любую потенциально идентифицируемую информацию.Таким образом, насколько нам известно, данные можно считать анонимными, а сбор данных был одобрен комитетом по этике Венского медицинского университета и Университета Квинсленда.

Себорейный кератоз у взрослых: состояние, лечение и фотографии — обзор

Изображения кератоза, себореи

Обзор

Себорейный кератоз — распространенное доброкачественное новообразование неизвестной этиологии, наблюдаемое у взрослых из-за утолщения участка верхнего слоя кожи.

Кто в опасности?

Хотя они могут возникнуть в любое время после полового созревания, почти каждый человек старше 50 лет имеет один или несколько из них, и их количество увеличивается с возрастом. Некоторые семьи имеют наследственную склонность к множественным поражениям. Мужчины и женщины одинаково склонны к развитию себорейного кератоза. Темнокожие люди страдают меньше, чем люди со светлой кожей; вариант, наблюдаемый у людей с темной кожей, называется папулезным черным дерматозом.

Признаки и симптомы

Одно или несколько пятен могут появиться на любом участке тела, за исключением ладоней, подошв и слизистых оболочек (например, во рту или прямой кишке).Они не уходят. Они не превращаются в рак, но некоторые виды рака напоминают себорейный кератоз.

Они начинаются как плоские участки от светло-коричневого до телесного цвета, от круглых до овальных и разного размера (обычно меньше полдюйма, но иногда намного больше). По мере того, как они утолщаются и возвышаются над поверхностью кожи, себорейный кератоз может стать от темно-коричневого до почти черного с «прилипшим» видом. Поверхность может быть гладкой или шероховатой.

Руководство по уходу за собой

Лечение не требуется, если нет раздражения от одежды с зудом или кровотечением.

• Невозможно предотвратить образование новых пятен.
• Некоторые лосьоны с альфа-гидроксильными кислотами могут сделать участки более гладкими при регулярном использовании, но не устранят их.
• Безрецептурные методы замораживания доступны, но обычно неэффективны.

Когда обращаться за медицинской помощью

Если пятно на коже растет, кровоточит, болит или зудит, обратитесь к врачу.

Пятна можно удалить, если они вам не нужны, но удаление считается косметической проблемой и обычно не покрывается страховкой.

Лечение, которое может назначить ваш врач

Удаление может быть выполнено с помощью замораживания (криохирургия), соскабливания (кюретаж), прижигания (электрокоагуляция), лазеров или кислот. Врач может провести биопсию, если рост выглядит необычно.