Дерматоскопия: современные методы диагностики кожных новообразований
Dermatoscopy
Дерматоскопия – неинвазивный метод диагностики кожных новообразований. Исследование с помощью дерматоскопа позволяет выявить изменения кожи на ранней стадии.
Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
Медицинское обследование кожи
Medical examination of the skin
Дерматоскопия, также известная как дермоскопия или эпилюминесцентная микроскопия, – это исследование кожных новообразований с помощью дерматоскопа. Это инструмент, похожий на камеру, позволяющий осмотреть кожные новообразования, устраняя помехи от отражений с поверхности кожи. Дерматоскоп состоит из увеличительного стекла, источника света (поляризованного или неполяризованного), прозрачной пластины и иногда жидкой среды между инструментом и кожей. Дерматоскоп обычно ручной, хотя существуют стационарные камеры, позволяющие получить изображения всего тела за один снимок. Если изображения или видеоклипы захватываются или обрабатываются в цифровом формате, прибор может называться цифровым эпилюминесцентным дерматоскопом. Затем изображение автоматически анализируется и получает оценку, указывающую на степень его опасности. Этот метод полезен дерматологам и специалистам по лечению рака кожи для дифференциальной диагностики доброкачественных и злокачественных (раковых) новообразований, особенно при диагностике меланомы.
Dermatoscopy, also known as dermoscopy or epiluminescence microscopy, is the examination of skin lesions with a dermatoscope. It is a tool similar to a camera to allow for inspection of skin lesions unobstructed by skin surface reflections. The dermatoscope consists of a magnifier, a light source (polarized or non polarized), a transparent plate and sometimes a liquid medium between the instrument and the skin. The dermatoscope is often handheld, although there are stationary cameras allowing the capture of whole body images in a single shot. When the images or video clips are digitally captured or processed, the instrument can be referred to as a digital epiluminescence dermatoscope. The image is then analyzed automatically and given a score indicating how dangerous it is. This technique is useful to dermatologists and skin cancer practitioners in distinguishing benign from malignant (cancerous) lesions, especially in the diagnosis of melanoma.
Преимущества
У врачей, обладающих опытом в дерматоскопии, точность диагностики меланомы значительно выше, чем у врачей без специализированной подготовки. Таким образом, существенно улучшаются чувствительность (выявление меланом) и специфичность (процент немеланом, правильно диагностированных как доброкачественные) по сравнению с осмотром невооруженным глазом. Использование дерматоскопии повышает чувствительность до 20% и специфичность до 10% по сравнению с осмотром невооруженным глазом. Благодаря повышению специфичности при использовании дерматоскопии снижается частота ненужных хирургических иссечений доброкачественных образований.
With doctors who are experts in dermatoscopy, the diagnostic accuracy for melanoma is significantly better than those who do not have any specialized training. Thus, there is considerable improvement in the sensitivity (detection of melanomas) as well as specificity (percentage of non melanomas correctly diagnosed as benign), compared with naked eye examination. The accuracy by dermatoscopy was increased up to 20% in the case of sensitivity and up to 10% in the case of specificity, compared with naked eye examination. By using dermatoscopy the specificity is thereby increased, reducing the frequency of unnecessary surgical excisions of benign lesions.
Искусственный интеллект
Искусственный интеллект используется для автоматического различения доброкачественных и злокачественных (раковых) поражений. Современные программные технологии позволяют использовать базы данных для содействия в этом процессе. Пациенты дают согласие на хранение изображений их поражений в базе данных, которая служит архивом и позволяет программам искусственного интеллекта сравнивать новые изображения с имеющимися. Программа затем сравнивает ключевые характеристики нового изображения с известными характеристиками доброкачественных и злокачественных поражений. Зачастую каждому поражению присваивается оценка, указывающая на степень его опасности и вероятность злокачественности. Затем поражение помечается для дальнейшего обследования дерматологом. Это ускоряет процесс диагностики. Ограничением является то, что поскольку не у многих пациентов документируются поражения, размер выборки оказывается незначительным по сравнению с тем, что необходимо для работы ИИ. Предлагаемые решения включают создание синтетических изображений кожных поражений для улучшения алгоритма. Затем ИИ должен определять, получен ли образец из синтетических данных или из реальных наборов данных. Ему необходимо минимизировать вероятность выдачи синтетических результатов и одновременно максимизировать вероятность правильного различения реальных и синтетических образцов.
Artificial intelligence is used to automatically distinguish benign from malignant (cancerous) lesions. Modern software technology allows the usage of databases to aid in this process. Patients will consent their lesion pictures to be stored in a database which acts as an archive and allow artificial intelligence programs to compare newly taken ones. The program then compares key features of a new image with known features of benign and malignant lesions. Oftentimes a score is given to a specific lesion, indicating how dangerous and likely it is to be a malignant lesion. It is then flagged for further examination through a dermatologist. This speeds up the diagnosis process. One limit is that since not many patients get their lesions documented, the sample size is minuscule compared to what an AI needs. Proposed solutions include generating synthetic images of skin lesions to improve the algorithm. Then, the AI needs to differentiate whether the sample came from the synthetic samples or from real data sets. It needs to minimize the probability that it will predict its outputs as fake while also maximizing its probability to correctly distinguish between real and fake samples.