Xây dựng và thử nghiệm bộ cơ sở dữ liệu hình ảnh vảy nến nhằm huấn luyện AI chẩn đoán bệnh vảy nến
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu nhằm xây dựng và thử nghiệm bộ cơ sở dữ liệu hình ảnh lâm sàng bệnh vảy nến nhằm huấn luyện trí tuệ nhân tạo hỗ trợ chẩn đoán bệnh vảy nến tại bệnh viện Da liễu Trung ương. Bộ cơ sở dữ liệu hình ảnh từ 1628 bệnh nhân vảy nến, gồm 23752 ảnh, trong đó số ảnh bệnh vảy nến thông thường là 10939 ảnh, vảy nến thể mủ là 6847 ảnh và vảy nến đỏ da toàn thân là 5966 ảnh. Mô hình AI được đào tạo dựa trên bộ cơ sở dữ liệu trên chẩn đoán vảy nến thông thường có độ nhạy 93,1% và độ đặc hiệu là 85,9%; với chẩn đoán bệnh vảy nến thể mủ có độ nhạy 85,9% và độ đặc hiệu là 93,1%. Độ chính xác của mô hình là 90,5%. Nghiên cứu đã xây dựng bộ cơ sở dữ liệu ảnh lâm sàng vảy nến với đầy đủ số lượng ảnh và đa dạng về các thể bệnh vảy nến. Kết quả thử nghiệm cho thấy mô hình AI có khả năng chẩn đoán bệnh vảy nến dựa trên ảnh lâm sàng.
Chi tiết bài viết
Từ khóa
trí tuệ nhân tạo, cơ sở dữ liệu, chẩn đoán, vảy nến
Tài liệu tham khảo
2. Goessinger EV, Gottfrois P, Mueller AM, et al. Image-Based Artificial Intelligence in Psoriasis Assessment: The Beginning of a New Diagnostic Era? Am J Clin Dermatol. 2024;25(6):861-872. doi:10.1007/s40257-024-00883-y
3. Li H, Chen G, Zhang L, et al. A review of psoriasis image analysis based on machine learning. Front Med. 2024;11:1414582. doi:10.3389/fmed.2024.1414582
4. Willemink MJ, Koszek WA, Hardell C, et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020;295(1):4-15. doi:10.1148/radiol.2020192224
5. Tschandl P, Rosendahl C, Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data. 2018;5(1):180161. doi:10.1038/sdata.2018.161
6. Bộ Y tế. Hướng dẫn chẩn đoán và điều trị các bệnh da liễu. Xuất bản lần thứ 2. Nhà xuất bản Y học; 2024.
7. Griffiths CE, Barker JN. Pathogenesis and clinical features of psoriasis. The Lancet. 2007;370(9583):263-271. doi:10.1016/S0140-6736(07)61128-3
8. Gooderham MJ, Van Voorhees AS, Lebwohl MG. An update on generalized pustular psoriasis. Expert Rev Clin Immunol. 2019;15(9):907-919. doi:10.1080/1744666X.2019.1648209
9. Zheng M, Jullien D, Eyerich K. The Prevalence and Disease Characteristics of Generalized Pustular Psoriasis. Am J Clin Dermatol. 2022;23(S1):5-12. doi:10.1007/s40257-021-00664-x
10. Rosenbach M, Hsu S, Korman NJ, et al. Treatment of erythrodermic psoriasis: From the medical board of the National Psoriasis Foundation. J Am Acad Dermatol. 2010;62(4):655-662. doi:10.1016/j.jaad.2009.05.048
11. Riley RD, Ensor J, Snell KIE, et al. Calculating the sample size required for developing a clinical prediction model. BMJ. Published online March 18, 2020:m441. doi:10.1136/bmj.m441
12. Zhao S, Xie B, Li Y, et al. Smart identification of psoriasis by images using convolutional neural networks: a case study in China. J Eur Acad Dermatol Venereol. 2020;34(3):518-524. doi:10.1111/jdv.15965
13. Wu H, Yin H, Chen H, et al. A deep learning, image based approach for automated diagnosis for inflammatory skin diseases. Ann Transl Med. 2020;8(9):581-581. doi:10.21037/atm.2020.04.39
114. Huang K, Jiang Z, Li Y, et al. The Classification of Six Common Skin Diseases Based on Xiangya-Derm: Development of a Chinese Database for Artificial Intelligence. J Med Internet Res. 2021;23(9):e26025. doi:10.2196/26025
15. Aijaz SF, Khan SJ, Azim F, et al. Deep Learning Application for Effective Classification of Different Types of Psoriasis. Hasikin K, ed. J Healthc Eng. 2022;2022:1-12. doi:10.1155/2022/7541583