تشخیص سرطان پوست غیرملانومی با شبکه عصبی convolutional

زمینه و هدف: شایعترین انواع سرطان پوست غیرملانومی، سرطان‌های سلول پایه‌ای (basal cell carcinoma, bcc) و سلول اسکواموس (squamous cell carcinoma, scc) می‌باشند. actinic keratoses (solar keratoses) و intraepithelial carcinoma (bowen rsquo;s disease) که به‌طور مخفف از آن‌ها با نام akiec یاد می‌کنیم، پیش‌زمینه‌های scc هستند. از آن‌جا که تشخیص زودهنگام، تاثیر بسزایی در درمان سرطان دارد، این مطالعه یک مدل مبتنی بر کامپیوتر برای تشخیص این سرطان معرفی می‌کند.روش بررسی: در این مطالعه تحلیلی که در بهمن 1398 در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه تصاویر درماسکوپی human against machine with 10000 training images (ham10000)، تعداد 327 تصویر akiec، 513 تصویر bcc و 840 تصویر کراتوسیس خوش‌خیم (benign keratosis, bk) استخراج گردید. از هر کدام از این سه نوع داده، 90% تصاویر بطور تصادفی به‌عنوان داده آموزشی انتخاب و مابقی به‌عنوان داده تست لحاظ شدند. از یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (deep learning convolutional neural network)، با استفاده از شبکه alexnet (krizhevsky, et al., 2012) به‌عنوان شبکه از پیش‌آموزش (pretrained) داده شده برای تشخیص سرطان استفاده شد. پس از آموزش شبکه بر روی داده آموزشی، عملکرد آن بر روی داده تست، ارزیابی گردید.یافته‌ها: مدل یادگیری عمیق پیشنهادی به دقت 90%(accuracy) در طبقه‌بندی (classification) تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی receiver operating characteristic (roc) 0.97، حساسیت 94% (sensitivity) و اختصاصیت 86% (specificity) به‌دست آمد. نتیجه‌گیری: این یافته‌ها نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند به دقت بالایی در تشخیص سرطان غیرملانومی پوست دست یابند.

Non-melanoma skin cancer diagnosis with a convolutional neural network

Background: The most common types of nonmelanoma skin cancer are basal cell carcinoma (BCC), and squamous cell carcinoma (SCC). AKIEC Actinic keratoses (Solar keratoses) and intraepithelial carcinoma (Bowen rsquo;s disease) are common noninvasive precursors of SCC, which may progress to invasive SCC, if left untreated. Due to the importance of early detection in cancer treatment, this study aimed to propose a computerbased model for identification nonmelanoma malignancies.Methods: In this analytic study, 327 AKIEC, 513 BCC, and 840 benign keratosis images from human against machine with 10000 training dermoscopy images (HAM10000) were extracted. From each of these three types, 90% of the images were designated as the training set and the remaining images were considered as the test set. A deep learning convolutional neural network (CNN) was developed for skin cancer detection by using AlexNet (Krizhevsky, et al., 2012) as a pretrained network. First, the model was trained on the training images to discriminate between benign and malignant lesions. In comparison with conventional methods, the main advantage of the proposed approach is that it does not need cumbersome and timeconsuming procedures of lesion segmentation and feature extraction. This is because CNNs have the capability of learning useful features from the raw images. Once the system was trained, it was validated with test data to assess the performance. Study was carried out at Shahid Beheshti University of Medical Sciences, Tehran, Iran, in January and February, 2020.Results: The proposed deep learning network achieved an AUC (area under the ROC curve) of 0.97. Using a confidence score threshold of 0.5, a classification accuracy of 90% was attained in the classification of images into malignant and benign lesions. Moreover, a sensitivity of 94% and specificity of 86% were obtained. It should be noted that the user can change the threshold to adjust the model performance based on preference. For example, reducing the threshold increase sensitivity while decreasing specificity.Conclusion: The results highlight the efficacy of deep learning models in detecting nonmelanoma skin cancer. This approach can be employed in computeraided detection systems to assist dermatologists in identification of malignant lesions.