人工智能和深度学习可以分析“鲁莽自拍”,以更好地检测莱姆病
![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“鲁莽自拍”,以更好地检测莱姆病](https://scx1.b-cdn.net/csz/news/800a/2020/aianddeeplea.jpg)
约翰·霍普金斯医学和约翰·霍普金斯应用研究实验室(APL)的研究人员已经证明,可以使用人工智能(AI)和深度学习(DL)技术来评估患者拍摄的皮疹的手机图像,以更准确地检测和识别与急性莱姆病相关的红斑迁移(EM)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,有助于避免晚期莱姆病潜在的严重神经、风湿病和心脏并发症。
该研究结果的报告发表在2020年10月的杂志上生物与医学中的计算机.
APL的科学家开发并测试了几种深度学习计算机模型,以准确地从其他皮肤疾病和正常皮肤中挑选出EM。DL模型经过“训练”,使用公共领域提供的非EM皮疹和正常皮肤图像,以及由约翰霍普金斯大学莱姆病研究中心和莱姆病生物库提供的EM患者的临床照片,来识别EM的外观。莱姆病生物库是约翰霍普金斯大学医学院风湿病学系的一部分。
美国每年有超过30万的莱姆病新病例,如果及早发现,治疗是最有效的。由于面临诸多挑战,误诊很常见,尤其是在疾病的初始阶段。莱姆病的病因——伯氏疏螺旋体(Borrelia burgdorferi)抗体的血液检测通常不可靠。在实验室培养中,通过血液遗传分析或皮肤活检直接识别病原体的测试可能会有问题,临床医生也不容易获得。使用EM皮疹作为筛查方法也很困难,因为对肉眼来说,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,约翰霍普金斯大学医学研究人员应用人工智能和DL方法来分析疑似莱姆病患者的皮疹手机图像。
评估公共领域图像中,计算机增强的图像分析系统在选择EM和其他皮疹时的准确率为72%,在从正常皮肤中挑选EM时的准确率为94%。对于已经被诊断为莱姆病的患者的临床图像,该系统可以在86%的时间内积极识别EM皮疹。
“能够分析鲁莽的图像使用人工智能而且深度学习使我们能够更准确地诊断患者是否患有莱姆病,确定疾病的阶段,并制定更合适的治疗计划,”约翰·霍普金斯莱姆病临床研究中心主任约翰·奥科特博士说。“所以在不久的将来,如果你注意到一个圆形,红色皮肤皮疹,你可以尽快拍张照片和你的医生分享。这样,即使皮疹消失了,你仍然有莱姆病的症状,你的医生也可以使用我们的分析技术做出正确的诊断。”
现在,研究人员已经展示了他们的EM皮疹数字分析作为莱姆病预筛查诊断工具的潜力疾病在美国,他们计划在接下来的研究中进一步测试和完善这项技术。