临床医学大数据分析与挖掘—基于Python的机器学习与临床决策 第10章 基于深度残差网的皮肤癌检测.ppt

1 图像数据预处理 目录 目标分析 2 模型构建 3 性能度量 4 评价模型性能最常用的指标是精度。当数据集中只有少量属于一个类时（恶性），其余属于其他类（良性）时，错误分类的分数就没有意义了。模型可以有非常高的准确率的同时没有发现任何一例恶性病例，即预测的时候全部打上良性的标签，这是一个效果不好的分类器。 针对模型分类结果的精度进行分析，如图所示。 模型性能分析 针对模型预测结果进行分析，左图为恶性肿瘤预测结果，右图为良性肿瘤预测结果。 由预测结果可以看出，该模型能准确的识别良性与恶性皮肤癌，识别的准确率与专业的人类医生相当（“至少”91%）。使用这一技术，有望生产出家用便携皮肤癌扫描仪，普及皮肤癌的早期诊断，减少发病率和死亡率。 模型结果分析 皮肤癌的病因尚不明确，其发生可能与以下因素有关。 日常曝晒与紫外线照射。 化学致癌物质，如沥青、焦油衍化物、苯并芘等长期刺激。 放射线、电离辐射。 慢性刺激与炎症，如慢性溃疡、经久不愈的瘘管、盘状红斑狼疮、射线皮炎等。 其他：如免疫抑制阶段，病毒致癌物质等。 皮肤恶性肿瘤包括鳞状细胞癌、基底细胞癌、恶性黑色素瘤、恶性淋巴瘤、特发性出血性肉瘤、汗腺癌、隆突性皮肤纤维肉瘤、血管肉瘤等。皮肤癌有原发性癌和由其他部位转移至皮肤的继发性癌。原发性皮肤癌常见的有基底细胞癌、原位鳞癌（鲍温病）、鳞状细胞癌、湿疹样癌和恶性黑色素瘤。 模型结果分析 皮肤恶性肿瘤的治疗效果与其早期诊断密切相关，应注意高度可疑的早期恶性病变征兆。 经久不愈、时好时犯或有少量出血的皮肤溃疡。 凡日光性角化病出现流血、溃烂或不对称性结节突起等症状。 往日射线照过的皮肤或旧疮疤，窦道处出现溃破或结节突起时。 长时间未消退的红色皮肤瘢痕，其上显示轻度糜烂时警惕原位癌的可能。 模型结果分析 本案例基于深度残差网的皮肤癌检测的案例，重点介绍了数据挖掘算法中深度残差神经网络模型算法在实际案例中的应用，根据对训练集进行训练，得到较好的模型，从而对测试集进行预测，详细地描述了数据挖掘的整个过程。 随着算法的改进和数据集的完善，深度学习方法检测黑色素瘤的准确性逐渐提升，正在接近或已超过人类专家的水平。但是传统的研究仅以皮肤镜图像为载体，采用阅片的方法，在实际临床诊断过程中，皮肤病医生须结合患者年龄、身体状况和病程发展等因素进行综合判断。 为了进一步提高计算机自动检测的效率和准确性，达到皮肤病医生真实临床诊断场景下的准确率，利用皮肤镜图像和患者病历数据进行多模态检测将是一个重要的研究方向。 小结 大数据，成就未来 * 大数据挖掘专家 * 大数据挖掘专家 大数据，成就未来 第10章 基于深度残差网的皮肤癌检测 * 1 图像数据预处理 目录 目标分析 2 模型构建 3 性能度量 4 进入21世纪，生命科学特别是基因科技已经广泛而且深刻影响到每个人的健康生活，于此同时，科学家们借助基因科技史无前例的用一种全新的视角解读生命和探究疾病本质。人工智能（AI）能够处理分析海量医疗健康数据，通过认知分析获取洞察，服务于政府、健康医疗机构、制药企业及患者，实现个性化，可以循证的智慧医疗，推动创新，实现价值。 背景 根据国际研究机构世界卫生组织癌症统计，2012年有820万人死亡是由癌症引起的，到2030年之前，会有2700万的新增病例，其中皮肤癌是最常见的癌症之一，与其他类型的癌症相比较，皮肤癌也是死亡率非常高的一种癌症类型。就算是早期发现，患者积极治疗，也可能会失去宝贵生命，现实中因皮肤癌而死亡的患者为数不少，必须重视预防皮肤癌。通过科学有效的干预、预防和治疗，来降低发病率和提高患者的生活质量。 背景 皮肤恶性肿瘤有相对容易出血的特点，常见的细胞癌主要有以下几种。 鳞状细胞癌 基底细胞癌 恶性黑色素瘤 湿疹样癌 背景 数据集是由多名患者的皮肤癌组织显微图像组成的，分为训练集和预测集，每部分包含良性和恶性两种，其中良性350例，恶性350例，如表所示。 图像数据说明 表名 属性名称 属性名称 训练集、测试集 benign 皮肤癌为良性（标签定义为1） malignant 皮肤癌为恶性（标签定义为0） 结合本例的原始图像以及分析目标，可获得整个分析的流程图，如图所示。 分析方法与过程 本案例主要是把皮肤癌组织显微进行统一格式、大小的预处理。在这个基础上，运用一种基于深度残差神经网络模型对训练集进行训练并预测测试集，具体步骤如下。 抽取皮肤癌图像数据，包括训练集和测试集。 对图像数据进行预处理，进行归一化并将图像转换为矩阵。 采用深度残差神经网络构建分类模型，并使用预处理好的数据进行训练。 对构建好的分类模型进行性能度量，分析模型的性能和预测结果。 分析方法与过程 1 图像数据预处理 目录 目标分析 2 模型构建 3 性能度量 4 os模