人工智能和深度学习可以分析“皮疹自拍照”以获得更好的莱姆病检测
![Examples of correct and incorrect visual identifications of the erythema migrans (EM) rash commonly seen in patients with Lyme disease. The images in the top right quadrant actually are EM (true positives). The upper right photos are false negatives, the lower left are false positives and the lower right were correctly ruled out as EM (true negatives). A new AI/deep learning technique from Johns Hopkins Medicine and the Johns Hopkins Applied Research Laboratory greatly increases the chances of correctly identifying EM in photographs. Credit: Johns Hopkins Medicine 人工智能和深度学习可以分析“皮疹自拍照”以获得更好的莱姆病检测](https://scx1.b-cdn.net/csz/news/800a/2020/aianddeeplea.jpg)
Johns Hopkins Medicine和Johns Hopkins应用研究实验室(APL)研究人员表明,可以使用人工智能(AI)和深度学习(DL)技术评估患者皮疹的手机图像,以更准确地检测和识别红斑迁移(EM)与急性莱姆病有关的皮肤发红。这可以实现更可靠的筛查,更准确的诊断和更早的治疗方法,有助于避免晚期莱姆病的严重潜在神经系统,风湿病和心脏并发症。
有关调查结果的报告发表在2020年10月的《杂志》上生物学和医学计算机。
APL科学家开发并测试了几个深度学习计算机模型,以准确从其他皮肤病学条件和正常皮肤中挑选出EM。对DL模型进行了“训练”,以使用非EM皮疹和正常皮肤的图像来辨别EM的外观,以及约翰·霍普金斯大学莱姆病研究中心和莱姆病提供的EM患者的临床照片Biobank,约翰·霍普金斯大学医学院风湿病学系的一部分。
在美国,每年有30万例莱姆病新病例,如果早点被捕,治疗最有效。误诊,尤其是在疾病的初期阶段,很常见,因为有几个挑战。血液测试检测到莱姆病的原因是伯氏伯氏抗体的存在,通常是不可靠的。通过对血液或皮肤活检的遗传分析直接识别实验室培养物中病原体的测试可能是有问题的,并且对临床医生不容易获得。使用EM皮疹作为筛查方法也很困难,因为对于无助的眼睛来说,皮疹很容易与其他疾病引起的皮肤炎症混淆。
为了解决EM识别问题,Johns Hopkins医学研究人员采用了AI和DL方法来分析涉嫌患有莱姆病的患者的皮疹的手机图像。
评估公共区域图像,计算机增强的图像分析系统的准确性范围从72%(在EM和其他皮疹之间选择)到从正常皮肤中挑选出EM时的94%。对于已经诊断出患有莱姆病的患者的临床图像,该系统可以积极地识别出86%的时间。
“能够使用人工智能和深度学习使我们能够更准确地诊断患者患有莱姆病,确定疾病的阶段并制定更合适的治疗计划,”约翰·霍普金斯莱姆克斯莱姆病临床研究中心主任约翰·奥科特(John Aucott)说。未来,如果您注意到一轮红色皮肤皮疹,您可以尽快与医生分享它。这样,即使皮疹消失并且您仍然患有莱姆病症状,您的医生也可以使用我们的分析技术做出正确的诊断。”
现在,研究人员已经显示出其EM Rash数字分析的潜力,作为莱姆的预筛查诊断工具疾病,他们计划在即将进行的研究中进一步测试和完善技术。
进一步探索
用户评论