Go to page
 

Bibliographic Metadata

Title
Accuracy of a neural network in diagnosing non - pigmented lesions of the skin compared to dermatologists / eingereicht von Nina Maria Neuber
AuthorNeuber, Nina Maria
Thesis advisorTschandl, Philipp
Published2018
Description64 Blatt : Diagramme
Institutional NoteMedizinische Universität Wien, Diplomarb., 2018
Date of SubmissionMay 2018
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Künstliche Intelligenz / Dermatologie / unpigmentierte Läsionen / neuronale Netze
Keywords (EN)artificial intelligence / neural network / dermatology / non-pigmented lesions
URNurn:nbn:at:at-ubmuw:1-14259 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Accuracy of a neural network in diagnosing non - pigmented lesions of the skin compared to dermatologists [1.28 mb]
Links
Reference
Classification
Abstract (German)

Abstract German

Hintergrund:

Die häufigsten Hautkrebserkrankungen beim Menschen sind nicht pigmentiert. Aufgrund des Pigmentmangels sind sie auch in der Dermatoskopie schwer zu diagnostizieren. Neuronale Netze sind biologisch inspirierte Modelle für maschinelles Lernen. Sie erreichen eine hohe Genauigkeit bei der Klassifizierung von dermatoskopischen Bildern von pigmentierten Hautläsionen.

Ziel:

Ziel dieser Arbeit war der Vergleich der diagnostische Genauigkeit von künstlichen neuronalen Netzen und Dermatologen bei der Diagnose von dermatoskopischen Bildern benigner und maligner nicht-pigmentierter Hautläsionen.

Methoden:

Wir haben die Inception-V3 Architektur auf Basis von 7895

dermatoskopischen Bildern von konsekutiv gesammelten und histopathologisch verifizierten nichtpigmentierten Hautläsionen trainiert. Zusätzliche 340 Bilder, die aus separaten Lehrpräsentationen von Harold Rabinovitz, MD extrahiert wurden, dienten als Validierungssatz. Das geschulte Netzwerk bewertete

2072 dermatoskopische Bilder, die zuvor von 95 Dermatologen bewertet wurden. Der Anteil korrekter spezifischer Diagnosen und die Genauigkeit bei der Unterscheidung zwischen gutartigen und bösartigen Fällen, ausgedrückt als Fläche unter der Receiver Operating Characteristic Curve

(AUC), diente als Hauptergebnis.

Ergebnisse:

Die AUC des trainierten künstlichen neuronalen Netzwerks mit allen gepoolten Bewertungen war höher als die gepoolten Dermatologen-Bewertungen (0,73 Vs 0,68; p <0,04). Fixiert man die Spezifität auf der Ebene der Dermatologen (51%) war die Sensitivität des CNN (81%; 95% -CI 79-83) höher als die des menschlichen Lesers (78%; 95% -CI: 76-79).

Das CNN erreichte einen höheren Prozentsatz der korrekten spezifischen Diagnosen als der durchschnittliche Dermatologe (36% gegen 33%, p = 0.02).

Zusammenfassung:

Künstliche Intelligenz ist in der Lage, dermatoskopische Bilder von nichtpigmentierten Läsionen mindestens so genau zu klassifizieren wie der durchschnittliche Dermatologe in einer experimentellen Umgebung.

Abstract (English)

Background:

The most common skin cancers in humans are non-pigmented. Due to the lack of pigment, they are difficult to diagnose in vivo, even with dermatoscopy. Neural networks are biologically inspired models for machine learning.

They reach a high accuracy in classifying dermatoscopic images of pigmented skin lesions.

Objective:

To compare the diagnostic accuracies of artificial neural networks and dermatologists in diagnosing dermatoscopic images of benign and malignant non-pigmented skin lesions

Methods:

We trained the Inception-V3 convolutional neural network (CNN) architecture on 7895 dermatoscopic images of consecutively collected and histopathologically verified non-pigmented skin lesions. Additional 340 images extracted from separate educational slides provided by Harold Rabinovitz, MD served as a validation set. The trained network rated 2072 derm

atoscopic images that were previously rated by 95 dermatologists. The proportion of correct specific diagnoses and the accuracy to differentiate between benign and malignant cases expressed as area under the receiver operating characteristic curve (AUC), served as main outcome measures.

Results:

The AUC of the trained artificial neural network with all ratings pooled was higher than of pooled dermatologist ratings (0.73vs. 0.68; p<0.04). Fixing specificity at the level of dermatologists (51%), the sensitivity of the CNN (81%; 95%-CI 79-83) was higher than that of human readers (78%; 95%-CI: 76-79). The CNN reached a higher percentage of correct specific diagnoses than the average dermatologist (36% vs. 33%, p=0.02).

Conclusion:

Artificial intelligence is able to classify dermatoscopic images of non-pigmented lesions at least as accurate as the average dermatologist in an experimental setting.

Stats
The PDF-Document has been downloaded 30 times.