创新背景

黑素瘤是一种恶性肿瘤，全世界与皮肤癌相关的死亡人数中有70%以上是它造成的。多年来，医生依靠目视检查来识别可疑的色素病变(SPLs)，这可能是皮肤癌的一种迹象。在初级保健机构中对色素病变进行早期检测可以改善黑色素瘤预后并显著降低治疗成本，甚至可以挽救生命，然而，医疗系统目前仍缺乏提供大规模全面皮肤筛查的能力。

创新过程

麻省理工学院的研究团队利用广角摄影的图像和深度学习，开发出了一种用于色素病变的分析系统，能够更高效地完成皮肤癌检测。相关研究论文以“Using Deep Learning for Dermatologist-level Detection of Suspicious Pigmented Skin Lesions from Wide-field Images”为题，发表于《Science Translational Medicine》期刊。

工作原理：用智能手机摄像头获取的广角图像显示了患者的大块皮肤。自动化系统检测、提取并分析在广角图像中可观察到的所有色素皮肤病变。预先训练的深度卷积神经网络(DCNN)确定单个色素病变的可疑性，并标记它们(黄色=考虑进一步检查，红色=需要进一步检查或转诊给皮肤科医生)。提取的特征用于进一步评估色素病变，并以热图格式显示结果。

DCNN是一种神经网络，可用于对图像进行分类(或“命名”)，然后对其进行聚类(例如在执行照片搜索时)。这些机器学习算法都属于深度学习的子集。该项目使用相机对患者身体的大面积进行广角拍摄，利用DCNN快速有效地识别和筛查早期黑色素瘤。

研究人员利用马德里Gregorio Marañón医院133名患者的20388张广角图像以及公开的图像对系统进行了训练。这些照片是用随手可得的普通相机拍摄的。随后，皮肤科医生对图像中的病变进行了视觉分类，以便进行比较。他们发现，该系统在区分色素病变与非可疑病变，皮肤和复杂背景方面实现了超过90.3%的灵敏度，避免了繁琐且耗时的单个病变成像。

研究表明，利用计算机视觉和深度神经网络的系统，对这些常见症状进行量化，可以达到与皮肤科专家相当的准确性，从而快速且准确地评估色素病变，帮助黑色素瘤的早期治疗。

创新关键点

研究团队利用广角摄影的图像和DCNN神经网络，开发出了一种用于色素病变的分析系统，从而快速且准确地评估色素病变，帮助黑色素瘤的早期治疗。