文摘目的比较基于皮肤镜图像的卷积神经网络(convolutional neural network,CNN)二分类模型在蕈样肉芽肿(mycosis fungoides,MF)与炎症性疾病鉴别诊断中的应用价值。方法回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve,AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic,ROC)曲线进行可视化分析。结果共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95%CI:59.68%~80.70%)和94.74%(95%CI:91.77%~97.71%),Kappa值为0.677(95%CI:0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95%CI:0.84~0.89),灵敏度和特异度分别为75.02%(95%CI:70.19%~79.85%)和82.02%(95%CI:79.30%~84.87%),Kappa值为0.563(95%CI:0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95%CI:0.95~0.99),灵敏度和特异度分别为87.50%(95%CI:78.55%~96.45%)和93.85%(95%CI:88.93%~98.77%),Kappa值为0.920(95%CI:0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。结论基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。
