تشخيص ملانوما با يك مدل يادگيري عميق

زمينه و هدف: سرطان پوست يكي از شايعترين سرطان‌ها و ملانوما (Melanoma) كشنده‌ترين نوع سرطان پوست مي‌باشد. خال ملانوسيتيك (Melanocytic nevi) و ملانوما هر دو از ملانوسايت‌ها (سلول‌هاي توليدكننده رنگدانه) به‌وجود مي‌آيند، اما خال ملانوسيتيك خوش‌خيم و ملانوما بدخيم هستند. اين مقاله يك مدل يادگيري عميق (Deep learning) براي طبقه‌بندي (Classification) اين دو ضايعه پوستي ارايه مي‌كند. روش بررسي: در اين مطالعه تحليلي كه در بهمن ۱۳۹۸ در دانشگاه علوم پزشكي شهيد بهشتي انجام شد، از مجموعه داده عكس‌هاي درماسكوپي Human against machine with 10000 training images, (HAM10000)، هزار تصوير خال ملانوسيتيك و هزار تصوير ملانوما استخراج گرديد. از هر مورد، ۹۰۰ تصوير به شكل تصادفي براي آموزش سيستم انتخاب شدند و ۱۰۰ تصوير باقيمانده براي تست اختصاص داده شد. يك مدل يادگيري عميق شبكه عصبي كانولوشنال (Convolutional neural network)، با استفاده از AlexNet (Krizhevsky et al., 2012) به‌عنوان مدل از پيش ‌آموزش ديده شده (Pretrained)، به‌كارگرفته شد. در ابتدا اين شبكه با ۱۸۰۰ تصوير آموزش داده شد و سپس عملكرد آن بر روي ۲۰۰ تصوير ارزيابي گرديد. يافته‌ها: مدل پيشنهادي به دقت ۹۳% (Accuracy) در طبقه‌بندي تصاوير به دو كلاس خوش‌خيم و بدخيم دست يافت. همچنين مساحت زير منحني Receiver operating characteristic (ROC)، ۹۸/۰، حساسيت ۹۴% (Sensitivity) و اختصاصيت ۹۲% (Specificity) به‌دست آمد. همچنين با تنظيم پارامتر آستانه طبقه‌بندي مدل، امكان افزايش حساسيت، به قيمت كاهش اختصاصيت وجود دارد و بالعكس. نتيجه‌گيري: با توجه به دشواري تشخيص ملانوما حتي براي متخصصين با تجربه، يافته‌هاي اين مطالعه، توانايي بالاي يادگيري عميق را در تشخيص سرطان پوست نشان مي‌دهد.