基于皮肤镜图像的黑色素瘤的厚度评估：一个开放基于网络的国际性诊断性研究

【据《J Eur Acad Dermatol Venereol》 2022 年 11 月报道】题：基于皮肤镜图像的黑色素瘤的厚度评估：一个开放基于网络的国际性诊断性研究（瑞典哥德堡大学萨赫尔格伦斯卡学院临床科学研究所皮肤性病科 作者 S. Polesie 等）

      皮肤镜在皮肤黑色素瘤的诊断上比肉眼更准确。已知的黑色素瘤皮肤镜特征中只有少数能够区分 MIS 和侵袭性恶性黑色素瘤。术前评估 MIS 还是侵袭性恶性黑色素瘤对疾病分类、预后和手术切缘的选择有重要意义。既往研究主要集中于描述区分 MIS 和侵袭性恶性黑色素瘤的皮肤镜诊断标准，但这种方法的准确性尚未在大量读者的真实世界进行验证。

      随着社交媒体及数字化的发展，为网上调查提供了图像传播的便利，使研究人员能够接触到具有不同背景和经验水平的众多读者。本研究的目的是评估大量的国际读者区分 MIS 和侵袭性恶性黑色素瘤的准确度，和基于皮肤镜图像估计侵袭性黑色素瘤的 Breslow 厚度的准确度，并比较两种机器学习算法和集体读者对估算黑色素瘤厚度的准确性。

      该研究采用在线平台 Derma Challenge 进行一项开放基于网络的、国际化诊断性研究。纳入了 2016—2020 年采集的 1 456 张由皮肤科医生诊断为黑色素瘤并经病理证实的皮肤镜图像。数据集包括 1 456 例黑色素瘤，其中 788 例 MIS，668 例侵袭性恶性黑色素瘤。侵袭性黑色素瘤中，有 474 例 Breslow 厚度≤1.0 mm，194 例厚度＞1.0 mm。

      最终共有来自 63 个国家的 438 名读者参与了研究，读者从以下 3 个类别中选择 1 个：“MIS”黑色素瘤 Breslow 厚度≤1.0 mm” 或“黑色素瘤 Breslow 厚＞1.0 mm”。此外，在随机病变子集上评估了 2 个卷积神经网络（CNNs），并与集体读者结果进行比较。第一个机器学习算法是 Gillstedt 等人在以往发表中使用的 de novo CNN（没有预训练参数的模型），第二个是基于 ResNet-50 模型的微调预训练 CNN。

      全体读者总体准确率为 56.4%。具有≥ 5 年皮肤镜经验的医师（n=188）的平均准确性为 56.6%，并不明显优于经验较短的医师，其准确性为 54.0% （n=254）。经委员会认证的皮肤科医生的表现与住院皮肤科医生、全科医生和其他参与者相当。诊断准确率与黑色素瘤所在的身体部位无关。有 32 例评估的差异性较大，其中 21 例为 MIS，但大多数读者认为 是黑色素瘤厚度＞1.0 mm。多数读者认为是 MIS，但却是厚度＞1.0 mm 的黑色素瘤（表 1）。

      读者正确分类 MIS 的准确率为 63.4%；正确分类侵袭性黑色素瘤的准确率为 71.0%。当将薄黑色素瘤（MIS 和 Breslow 厚度≤ 1.0 mm 的黑色素瘤）与厚黑色素瘤（＞1.0 mm 的黑色素瘤）进行比较时，总体准确率分别为 85.9% 和 70.8%。

      CNNs 和读者对比结果：测试集包含 523 例黑色素瘤，277 例 MIS，246 例侵袭性黑色素瘤，其中 155 例 Breslow 厚度≤1.0 mm（63.0%），91 例厚＞1.0 mm（37.0%）。在区分侵袭性和 MIS 方面，未经训练的 CNN 和预先训练的 CNN 的 AUC 分别为 0.80（95%CI 0.76～0.84）和 0.83（95%CI 0.80～0.87，P=0.35）。整体读者的 AUC 为 0.85 （95%CI 0.81～0.88）表现优于未经训练的 CNN（Padj= 0.021），但并不优于预先训练过的 CNN。

      下一阶段的研究可以将每个病变的皮肤镜检查和临床特写图像都纳入其中。由于尚不清楚读者在评估过程中如何权衡每种图像模式，因此，纳入临床特写图像是否会提高准确性仍有待研究。本研究结果为未来的应用提供了有力数据支撑，可进一步研究读者借助 CNNs 输出的结果，能否提高诊断准确率。

      综上所述，该研究结果显示正确评估黑色素瘤厚度是有难度的。尽管如此，读者鉴别薄黑色素瘤和厚黑色素瘤的准确率较高，而鉴别 MIS 的可靠性较低。群体的智慧优于个体，但预测黑色素瘤厚度的诊断准确性与专业背景或皮肤镜经验无关。 

文章来源于医学参考报皮肤病与性病学频道