Научный семинар «Разработка интеллектуальных компьютерных систем классификации повреждений кожи с использованием методов глубокого обучения»
Докладчик: Е.Ю. Щетинин Департамент анализа данных, принятия решений и финансовых технологий, Финансовый Университет при Правительстве Российской Федерации
Меланома-смертельная форма рака кожи, которая часто не диагностируется или ошибочно диагностируется как доброкачественное поражение кожи. Ее раннее выявление крайне важно, поскольку жизнь пациентов с меланомой зависит от точной и ранней диагностики заболевания. Однако, врачи часто полагаются на личный опыт и оценивают повреждения каждого пациента на основе личного осмотра. Клинические исследования позволяют получить точность диагноза меланомы от 65 до 80 процентов, что до некоторого времени являлось неплохим результатом. Однако современные исследования утверждают, что использование дермоскопических изображений в постановке диагноза значительно повышает точность диагностики кожных поражений. Тем не менее, визуальные различия между меланомой и доброкачественным поражением кожи могут быть очень незначительными, что делает диагностику сложной даже для врача-эксперта. Последние достижения в применении методов искусственного интеллекта в анализе медицинских изображений позволили считать разработку интеллектуальных медицинских систем диагностики на основе визуализации весьма перспективным направлением, которое помогут врачу в принятии более эффективных решений о здоровье пациентов и постановки диагноза уже на ранней стадии и в неблагоприятных условиях. В настоящей работе предложен подход к решению проблемы классификации кожных заболеваний, именно, меланомы на ранней стадии, основанный на глубоком обучении. В частности, предложено решение задачи классификации дермоскопического изображения, содержащего или злокачественное или доброкачественное поражения кожи. Для этого разработана архитектура глубокой нейронной сети и применена к обработке изображений. Компьютерные эксперименты на наборе данных ISIC показали, что предложенный подход обеспечивает точность на тестовой выборке 94%, что значительно выше, чем показали другие алгоритмы в этом наборе данных.