Hudsjukdomar är väl lämpad för artificiell intelligens (AI)

av | Mar 27, 2018 | Artificial Intelligence (AI), Artificiell intelligens (AI), Blogg, Forskning, Nyheter, Nyheter, Utslag

 

Hudsjukdomar är väl lämpad för artificiell intelligens (AI)

Artificiel intelligens (AI) CNN resultat

Artificiell intelligens (AI) CNN preliminära resultat- visar en hudåkomma och vad CNN fokuserar på.

Studier inom radiologi som har använt AI för både mammografi [1] och pulmonell datortomografi [2] visade att radiologers prestanda, särskilt specificität, ökade med användningen av ett AI stöd i datorns gränssnitt.

Convolutional Neutrala Nätverk (CNN) begränsningar

Begränsningarna för ett bra fungerande Convolutional neurala nätverk (CNN) modell är kvaliteten på bilder per klassificering tillsammans med en begränsad datamängd per klassificering. Thrun forskningsgrupp vid Stanford USA publicerade ett letter i tidskriften Nature i Februari 2017. De använde ett dataset på 129 450 kliniska bilder (kliniska bilder av hög upplösning och i fokus bilder, som i de flesta fall är tagna av en professionell medicinsk fotograf) som bestod av 2 032 olika sjukdomar [ 3]. Bilderna testades på två klasser: keratinocyter carcinom kontra godartade seborroiskt keratoser; maligna melanom jämfört med godartade nevi. Resultaten visade att CNN var i paritet jämfört med 21 dermatologer att diagnostisera dessa två klasser.

Fråga en hudläkare idag

First Derm – automatiserade hudläkarsvar

First Derm har under årens lopp byggt upp en databas med många hundratusen talls anonyma smartphone bilder. Databasen innehåller bilder på ca 250 olika hudåkommor av olika kvalitet. Under 2017 har vi tillämpat bilderna på ett CNN med målet att identifiera alla de vanligaste hudåkommor med lika hög säkerhet som en hudläkare. På sikt kommer ett CNN vara, snabbare och säkrare att diagnostisera hudåkommor än en hudläkare.

Preliminära resultat

Version 0.1 av vårt webbgränssnitt kan idag identifiera 7 typer av hudåkommor med olika noggrannhet, beroende på bildkvaliteten. Vi kan identifiera rätt hudåkomma ca 95 % av fallen om man inkluderar tre differentialdiagnoser. Vi är på ett tidigt stadium, men resultaten ser lovande ut.

Follikulit Artificiel intelligens (AI) resultat

En slumpmässig bild från internet visar att det är follikulit i samförstånd med diagnosen.

Fråga en hudläkare idag

Här är några fler exempel som du kan läsa om

ICD 10 L70.0 Akne help with artificial intelligence (AI)

ICD 10 l 30.9 Eksem hjälp med artificiell intelligens (AI)
ICD 10 l 73.9 Follikulit hjälp med artificiell intelligens (AI)
ICD 10 d 22.0 Födelsemärken hjälp med artificiell intelligens (AI)
ICD 10 l 82.9 Seborroiskt keratos hjälp med artificiell intelligens (AI)
ICD 10 a 63.0 Kondylom hjälp med artificiell intelligens (AI)
ICD 10 n 48.1 Balanit hjälp med artificiell intelligens (AI)

Håll ögonen öppna för våra nya versioner och som du kan testa här.

Referenser

[1] Intelligent CAD workstation for breast imaging using similarity to known lesions and multiple visual prompt aids. Giger M et al. Proc. SPIE 4684, Medical Imaging 2002.
[2] Wang S, Summers RM. Machine Learning and Radiology. Medical Image Analysis. 2012;16(5):933-951.
[3] Esteva A, Kuprel B et al Dermatologist-level classification of skin cancer with deep neural networks. Nature 017/02/02/print

 

 

Över 15,000+ läsare dagligen

Följ First Derm för färska nyheter

Fråga en hudläkare

Anonymt, snabbt och säkert!

logo
1 (415) 234-4124
Support
Share This