تشخيص سرطان پوست غيرملانومي با شبكه عصبي Convolutional

زمينه و هدف: شايعترين انواع سرطان پوست غيرملانومي، سرطان‌هاي سلول پايه‌اي (Basal cell carcinoma, BCC) و سلول اسكواموس (Squamous cell carcinoma, SCC) مي‌باشند. Actinic keratoses (Solar keratoses) و Intraepithelial carcinoma (Bowen rsquo;s disease) كه به‌طور مخفف از آن‌ها با نام AKIEC ياد مي‌كنيم، پيش‌زمينه‌هاي SCC هستند. از آن‌جا كه تشخيص زودهنگام، تاثير بسزايي در درمان سرطان دارد، اين مطالعه يك مدل مبتني بر كامپيوتر براي تشخيص اين سرطان معرفي مي‌كند. روش بررسي: در اين مطالعه تحليلي كه در بهمن 1398 در دانشگاه علوم پزشكي شهيد بهشتي انجام شد، از مجموعه تصاوير درماسكوپي Human against machine with 10000 training images (HAM10000)، تعداد 327 تصوير AKIEC، 513 تصوير BCC و 840 تصوير كراتوسيس خوش‌خيم (Benign keratosis, BK) استخراج گرديد. از هر كدام از اين سه نوع داده، 90% تصاوير بطور تصادفي به‌عنوان داده آموزشي انتخاب و مابقي به‌عنوان داده تست لحاظ شدند. از يك مدل يادگيري عميق شبكه عصبي كانولوشنال (Deep learning convolutional neural network)، با استفاده از شبكه AlexNet (Krizhevsky, et al., 2012) به‌عنوان شبكه از پيش‌آموزش (Pretrained) داده شده براي تشخيص سرطان استفاده شد. پس از آموزش شبكه بر روي داده آموزشي، عملكرد آن بر روي داده تست، ارزيابي گرديد. يافته‌ها: مدل يادگيري عميق پيشنهادي به دقت 90%(Accuracy) در طبقه‌بندي (Classification) تصاوير به دو كلاس خوش‌خيم و بدخيم دست يافت. همچنين مساحت زير منحني Receiver operating characteristic (ROC) 0.97، حساسيت 94% (Sensitivity) و اختصاصيت 86% (specificity) به‌دست آمد. نتيجه‌گيري: اين يافته‌ها نشان مي‌دهد كه مدل‌هاي يادگيري عميق مي‌توانند به دقت بالايي در تشخيص سرطان غيرملانومي پوست دست يابند.