В последние десятилетия рак кожи считается одним из самых распространенных онкологических заболеваний во всем мире. По оценкам ВОЗ, ежегодно регистрируется около 132 000 случаев меланомы кожи, а смертность достигает 66 000 случаев.

Диагностика рака кожи требует значительных усилий и времени, что может негативно сказаться на течении заболевания и привести к плачевным последствиям.

К счастью, наука не стоит на месте! В данной статье я расскажу о системе раннего автоматизированного выявления рака кожи, с использованием сил ИИ.

Приятного прочтения! :)

Введение в исследование 

Рак кожи – это состояние, при котором клетки кожи начинают аномально и неконтролируемо делиться, что может привести к образованию опухолей. Он может развиваться в любой части кожи, но чаще всего возникает на участках, подверженных воздействию ультрафиолетового излучения. 

Существует несколько типов рака кожи, включая базальноклеточный рак, плоскоклеточный рак и меланому. Базальноклеточный рак возникает из базальных клеток, находящихся в нижнем слое эпидермиса, и часто связан с длительным пребыванием на солнце. Плоскоклеточный рак развивается из клеток верхнего слоя кожи и может быть более агрессивным и распространяться на другие органы.

Меланома — это наиболее опасный и смертельный тип рака кожи, который происходит из меланоцитов, клеток, отвечающих за производство пигмента меланина. Меланома отличается высокой склонностью к метастазированию и быстрому распространению раковых клеток по всему телу.

Существует множество методов диагностики рака кожи. Традиционные методы, такие как биопсия и обычный медицинский осмотр, имеют недостатки: биопсия – инвазивный и болезненный способ, может привести к распространению болезни; осмотр задействует субъективное суждение врача и может привести к ошибкам в диагнозе. Точность различения новообразований является ограничением традиционных методов, особенно при ранних стадиях. 

Доступ к дерматологам также ограничен во многих регионах. К тому же, процесс уточнения диагноза часто требует значительных временных затрат и может быть дорогостоящим. Поэтому важны новые технологии, такие как дерматоскопия, теледерматология и компьютерные системы поддержки диагностики.

Использование машинного обучения может значительно улучшить процесс диагностики и помочь сократить время на обработку дерматоскопических изображений. 

Цель данной работы – использование автоматизированных алгоритмов на базе ИИ для диагностики рака кожи и определения характера новообразований. Предлагается GUI (графический интерфейс пользователя), который упростит диагностику для пациентов и врачей, сократит время на диагностику и повысит ее точность!

Методы исследования

В работе представлена интеллектуальная система обнаружения рака кожи, способная классифицировать доброкачественные и злокачественные новообразования.

Использование набора данных РН2 с дерматоскопическими изображениями позволяет системе анализировать различные типы поражений кожи. 

Система включает этапы предобработки изображений, сегментации, извлечения признаков и классификации с помощью алгоритмов машинного обучения, реализованных в MATLAB с графическим интерфейсом для удобства использования. Результаты исследования подтверждают, что автоматизированный подход может улучшить процесс диагностики и стать важным инструментом в раннем выявлении рака кожи.

Предварительная обработка

В процессе предварительной обработки изображений для диагностики рака кожи удаляются шумы, также улучшается контрастность, изображения преобразуются в градации серого и фильтруются для повышения качества. Эти шаги помогают сделать новообразования более различимыми для последующего анализа.

Сегментация 

Сегментация — это техника, которая позволяет отделить объекты от их фона, которая также может приспособиться к сложной морфологии биологических структур. На этапе сегментации используются и модифицируются алгоритмы адаптивного Adaptive snake (AS) и Region growing (RG).

Adaptive snake (AS) – это модель активного контура, используемая для обнаружения краев и границ объектов на изображении. Она работает путем минимизации энергетической функции, которая приводит к "змеевидной" кривой, обвивающей объект. Этот метод особенно эффективен для выделения объектов со сложным контуром.

Region growing (RG) – это процесс, при котором пиксели изображения группируются вместе на основе предопределенных критериев, таких как интенсивность или цвет. Этот метод хорошо подходит для выделения смежных областей, которые имеют одинаковые или похожие характеристики.

Извлечение признаков

Для анализа пораженных участков кожи используется метод извлечения признаков, основанный на матрице пространственной зависимости уровней серого (GLCM), которая характеризует текстуру изображения. 

Этот метод позволяет получить статистическую информацию о текстуре, включая такие параметры, как контраст, однородность и энтропия. 

Также на этом этапе применяются правила ABCDE дерматологии, оценивающие асимметрию, границы, цвет, диаметр и форму поражений кожи, что важно для обнаружения ранних признаков рака.

Классификация

На данном этапе используются алгоритмы ANN и SVM для классификации поражений кожи. 

ANN (Artificial Neural Networks, искусственные нейронные сети) – это вычислительные системы, вдохновленные биологическими нейронными сетями, состоящие из большого количества простых, взаимосвязанных узлов, работающих вместе для решения конкретных задач. ANN способны обучаться и улучшать свою производительность на основе входных данных благодаря процессу, который имитирует способ, которым мозг человека обрабатывает информацию.

SVM (Support Vector Machines, метод опорных векторов) – это набор связанных методов контролируемого обучения, используемых для классификации и регрессионного анализа. Основная идея SVM заключается в поиске гиперплоскости в многомерном пространстве, которая наилучшим образом разделяет данные на разные классы. SVM эффективно работает с высокоразмерными данными и обеспечивает высокую точность благодаря использованию различных ядерных функций, которые позволяют решать нелинейные задачи.

В процессе классификации при выявлении рака кожи алгоритмы ANN и SVM обучаются с использованием размеченных наборов данных, содержащих различные признаки, извлеченные из изображений поражений кожи, такие как информация о цвете, текстуре и форме. После обучения эти алгоритмы могут классифицировать новые изображения поражений кожи по различным категориям, таким как доброкачественные или злокачественные, на основе изученных закономерностей и взаимосвязей в данных.

Оценка

Метрики оценки играют важную роль в разработке, валидации и внедрении алгоритмов обнаружения рака кожи. Они предоставляют ключевую информацию о производительности алгоритма, поддерживают клиническое принятие решений и, в конечном итоге, способствуют улучшению результатов для пациентов.

Эффективность предложенной системы оценивается с использованием следующих метрик:

1. Точность;

2. Чувствительность;

3. Специфичность;

4. Показатель F1;

5. Индекс Жаккара;

6. Коэффициент корреляции Мэтьюса.

Результаты исследования 

На данном рисунке для сегментации используется алгоритм AS. Его точность составляет 96%!

Точность сегментации с помощью RG достигает 90%.

AS показывает лучшую эффективность в силу своей гибкости, способности включать в себя предыдущие знания и способности работать со сложными поражениями.

AS обеспечивает более точные границы по сравнению с RG, особенно для объектов с нерегулярными границами или сложной формой. AS больше подходит для более широкого спектра изображений. 

RG может сегментировать изображение, если оно симметрично, но медленнее, чем AS, и не может сегментировать изображение, если оно асимметрично.

На рисунке ниже показан графический интерфейс для предлагаемой системы:

Предлагаемая система с алгоритмом ANN обладает максимальной эффективностью (точность – 94%; специфичность – 95,83%; чувствительность – 92,30%; показатель F1 – 0,94) по сравнению с SVM.

Предложенная система проста в использовании, экономит время, позволяет пациентам самостоятельно осуществлять удаленный мониторинг и обладает высокой производительностью. Такая система ускоряет работу дерматологов и повышает эффективность диагностики.

Вывод

Безусловно, данная система еще требует доработок, но уже на данном этапе она становится эффективным методом ранней диагностики рака кожи. 

Важно уточнить, что она не сможет заменить врачей, и не может быть единственным безоговорочным источником диагноза. Это отличный инструмент, который действительно может значительно облегчить жизнь как специалистам, так и пациентам. Использование данного метода может обеспечить диагностику опухолей на ранних стадиях, что упростит лечение и реабилитацию и, соответственно, сократит смертность.

С основным исследованием Вы можете ознакомиться по ссылке: https://www.nature.com/articles/s41598-024-59783-0#Tab1

На этом все!

Спасибо за прочтение, будем ждать Вас в комментариях! :)