Auswertung des Area-Subscores des Palmoplantar Pustulose Area and Severity Index unter Verwendung eines Attention U-net Deep-Learning-Algorithmus


doi: 10.1111/1346-8138.16752.

Online vor Druck.

Zugehörigkeiten

Element in der Zwischenablage

Kyungho Paik et al.

J Dermatol.


.

Abstrakt

Palmoplantare Pustulose (PPP) ist eine Variante der pustulösen Psoriasis, die die Handflächen und Fußsohlen betrifft. Der Schweregrad der PPP wird normalerweise anhand des Palmoplantar Pustulose Area and Severity Index (PPPASI) bewertet. Unter den Komponenten des PPPASI wird der Bereich der betroffenen Läsion von Bewertern unterschiedlich bewertet, die im Allgemeinen eine grobe Schätzung mit dem Auge und nicht durch eine spezifische Berechnung vornehmen. Um die uneinheitliche Bewertung des Bereichs-Subscores von PPPASI durch menschliche Bewerter zu überwinden, haben wir Deep-Learning-basierte Algorithmen entwickelt und validiert, um eine automatisierte und zuverlässige Bewertung des Bereichs zu ermöglichen, der an PPP beteiligt ist, um klinische Vorteile zu bieten. In dieser Studie haben wir einen Datensatz mit 611 Bildern der Handflächen und Fußsohlen von 153 Patienten mit PPP entwickelt. Wir bewerteten den Bereich der Läsion, indem wir die Anzahl der Pixel im Bereich der PPP durch die Anzahl der Pixel im Bereich der Handflächen oder Fußsohlen dividierten. Unter Verwendung von Attention U-net haben wir zwei Convolutional Neural Network (CNN)-Modelle entwickelt, die den Prozentsatz des betroffenen Bereichs (%) auswerten und anschließend eine Punktzahl zwischen 0 und 6 zuweisen können. Der Bereichs-Subscore von PPPASI wird durch das Deep-Learning bewertet Der Algorithmus war bei 98,8 % der Bilder gleich oder unterschied sich um 1 Punkt von der Grundwahrheitsunterbewertung. Der Intraclass-Korrelationskoeffizient zwischen CNN und Ground Truth betrug 0,879, was auf eine gute Übereinstimmung hinweist. Die Genauigkeit und der mittlere absolute Fehler des Modells betrugen 66,7 % bzw. 0,344. In einem Bland-Altman-Diagramm lagen die meisten Unterschiede im Prozentsatz des betroffenen Bereichs zwischen dem 95-%-Konfidenzintervall mit einer mittleren Differenz von 0 und einer Standardabweichung von 0,2. Der Deep-Learning-Algorithmus kann mehrere klinische Vorteile bieten, indem er die Komponenten des PPPASI objektiv bewertet, ohne Bedenken hinsichtlich Meinungsverschiedenheiten zwischen Klinikern. Die Algorithmen ermöglichen ferner die Erfassung kumulativer klinischer Daten in Bezug auf den PPP-Schweregrad.

© 2023 Japanische Dermatologische Vereinigung.

Verweise

VERWEISE

    1. Freitas E, Rodrigues MA, Torres T. Diagnose, Screening und Behandlung von Patienten mit palmoplantarer Pustulose (PPP): eine Überprüfung der aktuellen Praktiken und Empfehlungen. Clin Cosmet Investig Dermatol. 2020;13:561-78.

    1. Brunasso AM, Puntoni M, Aberer W, et al. Klinischer und epidemiologischer Vergleich von Patienten mit palmoplantarer Plaque-Psoriasis und palmoplantarer Pustulose: eine Fallserienstudie. Br J Dermatol. 2013;168:1243-51.

    1. Kubota K., Kamijima Y., Sato T., Ooba N., Koide D., Iizuka H., et al. Epidemiologie von Psoriasis und palmoplantarer Pustulose: eine landesweite Studie unter Verwendung der japanischen nationalen Anspruchsdatenbank. BMJ geöffnet. 2015;5:e006450.

    1. Ronneberger O, Fischer P, Brox T. U-net: Convolutional Networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells WM, et al., Herausgeber. Medizinische Bildverarbeitung und computergestützte Intervention – MICCAI. Band 2015. Cham: Springer International Publishing; 2015. p. 234-41.

    1. Oktay O., Schlemper J., Le Folgoc L., et al. Achtung U-net: Lernen, wo man nach der Bauchspeicheldrüse sucht. Arxiv e-Prints. 2018: Verfügbar unter: arXiv:1804.03999.

Dies ist ein automatisch übersetzter Artikel. Er kann nur einer groben Orientierung dienen. Das Original gibt es hier: psoriasis

Schreibe einen Kommentar