导读 黑色素瘤看起来像痣，但形状和颜色往往不规则，难以区分是良性或恶性，诊断难度很大。美国洛克菲勒大学研究人员开发了一种自动化技术，将成像与数字分析和机器学习相结合，帮助医生在早期阶段检测黑色素瘤。
黑色素瘤看起来像痣，但形状和颜色往往不规则，难以区分是良性或恶性，诊断难度很大。美国洛克菲勒大学研究人员开发了一种自动化技术，将成像与数字分析和机器学习相结合，帮助医生在早期阶段检测黑色素瘤。
“皮肤科领域如何评估黑色素瘤需要真正的标准化。”临床调查和皮肤病实验室主任詹姆斯•卡尔说，“通过
筛查检测可以挽救生命，但在视觉上进行判断非常具有挑战性。当可疑病变被提取活检时，只有10%病例被证实是黑色素瘤。”
在新方法中，一系列计算机程序能提取并处理皮肤生长中含有颜色数量信息的病变图像和其他定量数据，分析产生总体风险评分——Q评分，能指示癌症生长的可能性。
据物理学家组织网25日报道，研究人员将60张黑色素瘤照片和等量的良性生长照片提供给图像处理程序，开发了对生物标志物的成像法，以精确化其生长的视觉特征，并在两组图像之间为每个生物标记物定量评价，然后根据分值进行恶性评级。通过组合每个生物标记物的评测数据，计算出每个图像的总Q评分数，在0和1之间的数值越高，癌变率越大。
这项发表在《实验皮肤病学》中的评估工具有用性研究表明，Q评分达到0.98敏感度时，意味着可能正确识别了皮肤上的早期黑色素瘤。此外，其判断正常痣的准确率为36%，接近专业皮肤科医生在显微镜下对可疑痣进行视觉检查的水平。“这意味着自动化检测方法在预测黑色素瘤方面取得了显著成功。”论文第一作者丹尼尔•加雷说。
如先前研究所示，病变中的皮肤颜色数量是确定恶性肿瘤的最重要生物标志物。研究人员说，接下来要在更广泛的样本中评估该方法的有效性，还要通过特定颜色波长来揭示人眼不可见但有助于寻找病变的诊断方法。
总编辑圈点
0
