推荐活动

医疗健康第一直聘平台
Asia Pharma R&D Leaders Summit 2017
2017肠道微生态与健康国际研讨会
创新与仿制 生物药聚技起航

身上的痣到底是“好痣”Or“坏痣”?新研究告诉你

首页 » 研究 » 《转》译 2016-12-27 转化医学网 赞(2)
分享: 
导读
即使是肿瘤科的大师级专家也可能会被黑色素瘤无情地愚弄。由于患有这类皮肤癌的人皮肤上通常会出现形状和颜色并不规则的痣,由于从外观上很难区分这些痣的阴性或者阳性,所以临床上的早期黑色素瘤通常更为难以诊断。
  即使是肿瘤科的大师级专家也可能会被黑色素瘤无情地愚弄。由于患有这类皮肤癌的人皮肤上通常会出现形状和颜色并不规则的痣,由于从外观上很难区分这些痣的阴性或者阳性,所以临床上的早期黑色素瘤通常更为难以诊断。
  近期,美国洛克菲勒大学的研究人员开发了一种自动化诊断技术,通过将成像系统与数字分析系统结合于机器学习技术,这项最新的自动化诊断技术可以帮助医生更为精准地进行早期黑素瘤诊断。
  “皮肤领域亟需一套成熟的医学生物学标准来对不同程度的黑素瘤进行评估,”洛克菲勒大学Martin Carter临床调查和皮肤病实验室主任James Carl教授说, “虽然通过筛查检测可以有效地挽救黑色素瘤患者的生命,但这一过程却在视觉上具有极高的挑战性,即使当可疑病变组织得到了提取和活检,也只有约10%的病例能被证实患有恶性的黑素瘤。
  在新的技术体系中,计算机会提取患者皮肤斑块中存在的颜色数量信息,通过一系列计算机程序和其他定量数据处理生成病变图像,分析产生受试者黑色素瘤发病总体风险评分(Q评分),指示其皮肤斑块是癌症的可能性。
  该研究对应的论文发表在近期上线的实验皮肤病学(Experimental Dermatology)杂志上,研究人员通过大量实验证实Q评分的敏感性高达98%,这意味着这种诊断体系很可能正确地识别皮肤上的早期黑素瘤。相关诊断测试对正常痣的诊断能力为36%,接近由皮肤科专家在显微镜下进行可疑痣视觉检查所达到的水平。
  基于机器学习,研究人员通过使用60张黑素瘤照片和等量正常痣的照片教会图像处理程序从众多健康痣中寻找已经恶化的黑色素瘤。同时,研究人员开发了几种与成像相关的生物标志物用于人类皮肤斑块视觉特征的精确量化。结合机器计算方法,他们开发了一组组合性定量指标,在两组图像之间基于病变的视觉特征给予每个生物标志物恶性评级。
  通过组合来自每个生物标志物的数据,研究人员可以算出不同皮肤黑色斑块的总Q分数,(0-1)其中较高的数字表示病变是癌症的概率较高。
  “我们认为这种技术可以帮助医生进行更为精准的早期黑色素瘤诊断,从而挽救更多的生命,避免不必要的组织活检。”研究人员表示, “在接下来的研究中,我们会基于更大的样本量来评估这种方法,进一步探究如何利用不可见光进行疾病的诊断。”
  来源:Daniel S. Gareau et al. Digital imaging biomarkers feed machine learning for melanoma screening, Experimental Dermatology (2016). DOI: 10.1111/exd.13250 (转化医学网360zhyx.com)
评论:
评 论
共有 0 条评论

    还没有人评论,赶快抢个沙发