留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建

刘兆睿 张漪澜 谢凤英 刘洁

刘兆睿, 张漪澜, 谢凤英, 刘洁. 基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建[J]. 协和医学杂志, 2021, 12(5): 689-697. doi: 10.12290/xhyxzz.2021-0496
引用本文: 刘兆睿, 张漪澜, 谢凤英, 刘洁. 基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建[J]. 协和医学杂志, 2021, 12(5): 689-697. doi: 10.12290/xhyxzz.2021-0496
LIU Zhaorui, ZHANG Yilan, XIE Fengying, LIU Jie. Early Diagnosis Model of Mycosis Fungoides Based on Intelligent Analysis of Dermoscopic Images[J]. Medical Journal of Peking Union Medical College Hospital, 2021, 12(5): 689-697. doi: 10.12290/xhyxzz.2021-0496
Citation: LIU Zhaorui, ZHANG Yilan, XIE Fengying, LIU Jie. Early Diagnosis Model of Mycosis Fungoides Based on Intelligent Analysis of Dermoscopic Images[J]. Medical Journal of Peking Union Medical College Hospital, 2021, 12(5): 689-697. doi: 10.12290/xhyxzz.2021-0496

基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建

doi: 10.12290/xhyxzz.2021-0496
基金项目: 

国家自然科学基金 61871011

国家自然科学基金 62071011

国家自然科学基金 61771031

国家自然科学基金 82173449

中国医学科学院中央级公益性科研院所基本科研业务费专项资金 2019XK320024

北京市自然科学基金 4192032

详细信息
    通讯作者:

    谢凤英  电话:010-61716929,E-mail: xfy_73@buaa.edu.cn

    刘洁  电话:010-69151536,E-mail: Liujie04672@pumch.cn

    刘兆睿、张漪澜对本文同等贡献

    刘兆睿、张漪澜对本文同等贡献

  • 中图分类号: R751;TP29

Early Diagnosis Model of Mycosis Fungoides Based on Intelligent Analysis of Dermoscopic Images

Funds: 

National Natural Science Foundation of China 61871011

National Natural Science Foundation of China 62071011

National Natural Science Foundation of China 61771031

National Natural Science Foundation of China 82173449

The Non-profit Central Research Institute Fund of Chinese Academy of Medical Sciences 2019XK320024

Beijing Natural Science Foudation 4192032

More Information
  • 摘要:   目的  比较基于皮肤镜图像的卷积神经网络(convolutional neural network, CNN)二分类模型在蕈样肉芽肿(mycosis fungoides, MF)与炎症性疾病鉴别诊断中的应用价值。  方法  回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve, AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic, ROC)曲线进行可视化分析。  结果  共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95% CI: 59.68%~80.70%)和94.74%(95% CI: 91.77%~97.71%),Kappa值为0.677(95% CI: 0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95% CI: 0.84~0.89),灵敏度和特异度分别为75.02%(95% CI: 70.19%~79.85%)和82.02%(95% CI: 79.30%~84.87%),Kappa值为0.563(95% CI: 0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95% CI: 0.95~0.99),灵敏度和特异度分别为87.50%(95% CI: 78.55%~96.45%)和93.85%(95% CI: 88.93%~98.77%),Kappa值为0.920(95% CI: 0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。  结论  基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。
    作者贡献:刘兆睿和张漪澜负责研究实施和论文撰写;刘洁和谢凤英负责研究设计和论文审校。
    利益冲突:
    刘兆睿、张漪澜对本文同等贡献
  • 图  1  早期蕈样肉芽肿及炎症性皮肤病皮肤镜图像

    A. 蕈样肉芽肿;B.银屑病;C.慢性湿疹;D.扁平苔藓;E.脂溢性皮炎;F.玫瑰糠疹

    图  2  研究流程图

    MF:蕈样肉芽肿;CNN:卷积神经网络

    图  3  CNN二分类模型诊断早期MF的受试者工作特征曲线及与皮肤科医师诊断结果比较

    圆点为13名皮肤科医师的诊断灵敏度和特异度(存在部分医师诊断数据一致,圆点重合的情况),为其均值。当圆点位于曲线右下方时,说明CNN二分类模型的诊断效能优于皮肤科医师平均水平
    MF、CNN:同图 2;AUC: 同表 2

    图  4  CNN二分类模型误诊的1例早期MF病例的皮肤镜图像及对应的临床图像

    MF、CNN:同图 2

    图  5  皮肤科医生诊断准确率较低的早期MF病例皮肤镜图像及对应的临床图像

    A.皮肤科医师的诊断准确度为0;B~D.皮肤科医师的诊断准确度均为69.23%
    MF:同图 2

    表  1  CNN二分类模型交叉验证评估结果(x±s)

    网络结构 阳性似然比 阴性似然比(%) 灵敏度(%) 特异度(%) 准确度(%) 阳性预测值(%) 阴性预测值(%)
    AlexNet 4.59±2.62 40.51±5.84 66.72±3.62 82.60±6.52 75.82±4.59 75.25±6.69 76.42±4.19
    VGG16 3.59±1.06 38.55±8.77 69.58±6.12 79.36±5.74 75.02±4.60 72.26±4.51 77.30±5.78
    ResNet18 4.03±2.16 32.25±8.45 74.76±7.49 77.92±8.80 76.60±4.44 73.06±7.10 80.36±5.36
    SENet 3.41±1.14 52.24±11.18 57.36±8.17 81.94±5.06 71.26±5.04 70.76±6.90 71.68±5.45
    DenseNet121 3.00±0.80 44.21±8.04 65.88±8.31 76.40±8.66 71.98±3.16 68.76±4.01 74.94±4.50
    EfficientNet-B0 4.48±2.40 33.47±5.84 72.82±5.54 80.96±6.96 77.48±3.57 75.18±6.54 79.68±3.97
    CNN:同图 2
    下载: 导出CSV

    表  2  CNN二分类模型与皮肤科医师诊断结果比较[均值(95% CI)]

    指标 皮肤科医师(n=27) CNN二分类模型
    按图像分类(n=187) 按病例分类(n=27)
    阳性似然比 NA 4.32(3.61~5.02) NA
    阴性似然比(%) 31.87(20.46~43.28) 30.52(24.56~36.48) 17.54(8.34~26.77)#
    AUC / 0.87(0.84~0.89) 0.97(0.95~0.99)
    灵敏度(%) 70.19(59.68~80.70) 75.02(70.19~79.85) 87.50(78.55~96.45)#
    特异度(%) 94.74(91.77~97.71) 82.02(79.30~84.87)# 93.85(88.93~98.77)
    准确度(%) 87.46(83.32~91.60) 79.52(76.87~82.16) 91.98(88.52~95.44)
    Kappa值 0.677(0.566~0.789) 0.563(0.507~0.620) 0.920(0.884~0.954)#
    阳性预测值(%) 85.83(77.57~94.09) 70.60(67.09~74.11)# 87.43(78.55~96.45)
    阴性预测值(%) 88.68(85.07~92.29) 85.23(82.77~87.70)# 94.93(91.43~98.44)
    CNN:同图 2;AUC: 曲线下面积;NA:诊断结果中存在特异度为100%的情况,未能估计阳性似然比;/: 无AUC; #与皮肤科医师诊断结果比较差异有统计学意义
    下载: 导出CSV
  • [1] 刘洁, 邹先彪. 实用皮肤镜学[M]. 北京: 人民卫生出版社, 2021: 1-249.
    [2] Olsen E, Vonderheid E, Pimpinelli N, et al. Revisions to the staging and classification of mycosis fungoides and Sezary syndrome: a proposal of the International Society for Cutaneous Lymphomas (ISCL) and the cutaneous lymphoma task force of the European Organization of Research and Treatment of Cancer (EORTC)[J]. Blood, 2007, 110: 1713-1722. doi:  10.1182/blood-2007-03-055749
    [3] Krizhevsky A, Sutskever I, Hinton G. ImageNet Classifica-tion with Deep Convolutional Neural Networks[C]. Advances in Neural Information Processing Systems, 2012, 25: 1097-1105.
    [4] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv, 2014: 1409.1556V6.
    [5] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE Confer-ence on Computer Vision and Pattern Recognition, 2016: 770-778.
    [6] Huang G, Liu Z, Van Der Maaten L, et al. Densely connected convolutional networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 4700-4708.
    [7] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132-7141.
    [8] Tan M, Le Q. Efficientnet: Rethinking model scaling for convolutional neural networks[C]. International Confer-ence on Machine Learning, 2019: 6105-6114.
    [9] Hunt RJ. Percent agreement, Pearson's correlation, and kappa as measures of inter-examiner reliability[J]. J Dent Res, 1986, 65: 128-130. doi:  10.1177/00220345860650020701
    [10] Lallas A, Apalla Z, Lefaki I, et al. Dermoscopy of early stage mycosis fungoides[J]. J Eur Acad Dermatol Venereol, 2013, 27: 617-621. doi:  10.1111/j.1468-3083.2012.04499.x
    [11] Ghahramani GK, Goetz KE, Liu V. Dermoscopic characterization of cutaneous lymphomas: a pilot survey[J]. Int J Dermatol, 2018, 57: 339-343. doi:  10.1111/ijd.13860
    [12] Xu C, Liu J, Wang T, et al. Dermoscopic patterns of early-stage mycosis fungoides in a Chinese population[J]. Clin Exp Dermatol, 2019, 44: 169-175. doi:  10.1111/ced.13680
    [13] Bilgic SA, Cicek D, Demir B. Dermoscopy in differential diagnosis of inflammatory dermatoses and mycosis fungoides[J]. Int J Dermatol, 2020, 59: 843-850. doi:  10.1111/ijd.14925
    [14] 谢凤英, 刘洁, 崔勇, 等. 皮肤镜图像计算机辅助诊断技术[J]. 中国医学文摘(皮肤科学), 2016, 33: 45-50. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYXW201601011.htm

    Xie FY, Liu J, Cui Y, et al. Computer aided diagnosis of dermoscopic images[J]. Zhongguo Yixue Wenzhai(Pifu Kexue), 2016, 33: 45-50. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYXW201601011.htm
    [15] Schindewolf T, Stolz W, Albert R, et al. Classification of melanocytic lesions with color and texture analysis using digital image processing[J]. Anal Quant Cytol Histol, 1993, 1: 1-11. http://europepmc.org/abstract/MED/8471104
    [16] 谢斌, 何小宇, 黄伟红, 等. 基于卷积神经网络的基底细胞癌和色素痣的临床图像鉴别[J]. 中南大学学报(医学版), 2019, 44: 113-120. https://www.cnki.com.cn/Article/CJFDTOTAL-HNYD201909019.htm

    Xie B, He XY, Huang WH, et al. Clinical image identification of basal cell carcinoma and pigmented nevi based on convolutional neural network[J]. Zhongnan Daxue Xuebao (Yixueban), 2019, 44: 113-120. https://www.cnki.com.cn/Article/CJFDTOTAL-HNYD201909019.htm
    [17] Serener A, Serte S. Keratinocyte carcinoma detection via convolutional neural networks[C]. 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 2019: 1-5.
    [18] Pangti R, Mathur J, Chouhan V, et al. A machine learning‐based, decision support, mobile phone application for diagnosis of common dermatological diseases[J]. J Eur Acad Dermatol Venereol, 2021, 35: 536-545. doi:  10.1111/jdv.16967
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  136
  • HTML全文浏览量:  16
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-26
  • 录用日期:  2021-08-02
  • 刊出日期:  2021-09-30

目录

    /

    返回文章
    返回