eSkin:智能手机应用于恶性黑色素瘤早期检测的研究

抽象

背景。恶性黑素瘤是许多国家增长最快的恶性肿瘤之一。在新工具的帮助下，如在初级保健和皮肤科诊所之间的远程皮肤镜转诊，可以更有效地诊断这些患者。内置数码相机的高质量智能手机的推出可能会使早期检测更加方便。这项研究提出了基于智能手机应用早期发现恶性黑色素瘤的新方向。目标和方法。在这项研究中，我们集中在一个完全自动化的计算机辅助诊断系统的复杂的基础设施的早期检测恶性黑色素瘤的准确描述。该框架已定制了被定制以连接到智能手机能够进行移动teledermoscopy一个dermoscope。应用需求，架构和计算方法以及行为和动态方面都在本文中被提出。结论。本文提出了一种广阔的应用架构，可以轻松定制一个复杂的医疗应用的快速部署。移动teledermoscopy是一个新的视野，可能成为未来的早期检测色素性皮肤病变，作为基层医生，缺乏经验的皮肤科医生的筛选工具的基础。

1.简介

人皮肤黑色素瘤，恶性色素性病变，是最致命的类型的皮肤癌。它的特点是高加索人，每年几十间迅速崛起的发病率为十万人这种癌症的全球死亡[1]。黑色素瘤是最具侵袭性的肿瘤之一，能迅速转移到远处的器官。当它发展到转移阶段时，它建立了强大的机制来抵抗化疗和放疗，从而阻碍了现有医学疗法的疗效[2]。然而，在早期发现的情况下，几乎所有的黑色素瘤都可以通过简单的手术切除来治疗[3.]。

除此之外，还有一些良性的色素沉着的皮肤病变，所谓的痣，是皮肤的自然部分。良性和恶性色素病变具有相似的视觉特征，这使得区分良性和恶性色素病变对于非专科医师来说是一个难题[4]。在早期黑色素瘤的肉眼检查中，这个问题尤其重要(图)1 (b)）常常类似于良性病变（图1(一))。由于公众对预防皮肤癌的重要性认识不足，世界上许多地区的皮肤科医生也没有足够的机会，黑色素瘤通常只有在肿瘤长到中等大小后才被诊断出来(图)1 (c))。

在上面的数据，预防和黑色素瘤的早期诊断变得极为重要的问题。需要开发计算机辅助诊断系统促进黑色素瘤的早期检测可能由非专家和一般公众[应用需求5]。基于我们之前的研究，我们提出一种远程皮肤镜系统架构来评估皮肤病变的恶性程度，以及区分微黑素瘤和发育的皮肤痣。

本研究的目标是为基于智能手机应用的恶性黑色素瘤早期检测提供未来的计划和方向。我们还总结了远程遥控应用的最新进展，并概述了我们从以往研究中得出的结论。这篇文章以一个简短的介绍的主题进行研究，恶性黑色素瘤的临床定义，及其流行病学。它继续描述新技术，移动远程皮肤镜(MTD)，有潜力早期发现皮肤癌和降低死亡率。此外，一项新的强大的应用检查和分析黑色素瘤已经被描述。节2中，我们描述了用于早期检测恶性黑色素瘤的一种新的方法，以完全自动化的计算机辅助诊断系统。应用需求和架构以及行为和动态方面都。节3.时，埃斯金应用被呈现和早期的实验和结果进行说明。节4，涉及与移动设备和执行用于分析这种图像的面向患者的系统的获取的皮肤病灶图像的处理的挑战进行了概述。

1.1。临床定义

黑素瘤（也恶性黑色素瘤）是恶性肿瘤，从能够形成黑色素，在身体的任何部分，包括眼睛或甚喉咙痛的皮肤最常用的产生细胞的。身体的着色剂，黑色素的高浓度，负责他们的深色。虽然黑素细胞痣是很常见的，他们的组织发生还不是很清楚，仍然有争议的问题[3.]。我们所知道的黑素细胞痣的寿命是根据断面或队列研究，因为它仍然是复杂的监视细胞水平上的皮肤损伤体内。皮肤痣可能是先天性或一生中发展。大多数痣的头二十年，一个人的生活中出现。先天性黑素细胞痣更容易发展成黑色素瘤，由于其较大的尺寸和紫外线辐射或化学物质的影响。规模较小的黑色素瘤往往从一个色素痣零星开发和肤色白皙的人的最常见原因。具有不规则边界上仔细检查，或结节性表面可观察到的任何黑色或棕色斑点，出现以辐射超出边界，蓝，颜料红，或白色着色暗示黑素瘤，通常切除活检[9]。黑素瘤最常见的部位是白皮肤的人的上背部和小腿，以及黑皮肤的人的手掌和脚底。黑素瘤可能转移，是所有癌症中最恶性的。数字2显示黑色素瘤演变过程的各个阶段。

预后取决于那种黑色素瘤，它的大小和位置，浸润深度。其预测黑素瘤的阶段中最重要的参数是所检查的病变的厚度。Skin moles with the thickness less than 1 mm are nearly 100% curable [3.]。Seidenari等报道了直径和厚度之间的直接关系，原位黑素瘤的直径比浸润性病变的直径小，有理由认为小的黑素瘤通常处于生长初期[10]。因此，每个临床医生的目标都是在恶性黑色素瘤还小而薄的时候就发现它们。数字3.显示连续分期的黑色素瘤的皮肤镜图像。

1.2。黑色素瘤的流行病学

在过去的几十年里，出现了发病率和死亡率来自世界各地的白人人群中的皮肤皮肤黑色素瘤（图一显著上升4）1]。尽管在所有确诊的皮肤癌中只有4%是黑素瘤，但在美国和澳大利亚，与皮肤癌相关的死亡中有70%是黑素瘤造成的[11,12]。入侵黑色素瘤的估计的73870发病率和2015年的预计总在美国9940人死亡[13]。

导致黑素瘤的最重要因素之一是短暂、强烈的阳光照射模式。由于平流层臭氧层的不断耗竭，导致暴露于紫外线辐射的程度升高，未来恶性黑色素瘤可能成为最常见的恶性肿瘤之一，发病率甚至会提高2-10倍[1,3.]。作为晚期黑素瘤尚无有效的治疗已经发展至今，其早期诊断已成为一个极为重要的问题。

1.3。改进基于传感技术的黑色素瘤检测

远程医疗也称为远程医疗，网上医疗，电子健康，或“药在距离”是医学的一个新的，快速发展的领域，提供对医学知识，这将是不可用在特定的地点和时间。它通常被定义为利用电信技术的医学信息在病人管理目的的距离交换（包括分诊，诊断和治疗建议，以及后续的）和医学教育[14]。挪威已将远程皮肤病学列为大规模实施的优先远程医疗专业之一，这突出了该领域日益增长的兴趣[14,15]。

支持早期皮肤癌检测的最重要的问题是请问teledermoscopy系统达到足够的精度和系统是否有效？在本研究中，我们将只分析两个因素，包括诊断的可靠性和准确性以及经济分析。毫无疑问，在使用任何计算机辅助诊断系统时，最重要的参数就是诊断的可靠性和准确性，这需要与诊断系统和传统方法(人工解释)进行比较[16]。对皮肤病的诊断准确评估仍存在问题。组织病理学检查构成了黑素细胞皮肤损害为恶性分类的黄金标准。尽管存在其它形式的检查（例如，dermatoscopy）的，它们产生比组织病理学检查下诊断可信度。尽管如此，许多研究表明，黑色素瘤的误诊率可高达10％-25％。组织病理学检讨不能普遍使用，使所有皮损的明确诊断。尽管如此，很少有研究的患者中分析的数据将经历活检和这使得它能够比较与基于临床检查的皮肤学系统的其他诊断方法[16- - - - - -18]。远程皮肤病学系统达到了大约70-85%的准确率，这表明基于计算机的解决方案与传统的基于临床的护理相比具有可比的诊断准确率[16]。虽然实施和部署皮肤学体系，经济方面发挥了重要作用。以下标准考虑：本来可以避免皮肤科探访的是，皮肤活检跳过，咨询费用。在研究[19，作者已经评估了避免门诊就诊的实时交互式远程皮肤病学咨询的比例。由于有了实时互动的远程皮肤病学，54%的人避免了去皮肤科诊所就诊。此外，减少活组织检查的次数是节约成本的策略。在快速评估皮肤镜图像的基础上，没有经验的医生将获得知识和避免不必要的治疗。

1.4。相关的工作

据美国食品和药物管理局估计，全球有近5亿智能手机用户使用电子健康移动应用程序。2014年7月，市场上共有39款针对普通社区、患者和临床多面手用户的皮肤相关移动应用[20]。其中超过半数的主要功能是提供关于黑素瘤的信息或教育、紫外线辐射暴露预防建议和皮肤自我检查策略。这类应用程序通常针对学生和医生新手。另一组大型应用是那些能够使用移动嵌入式相机拍摄痣图像的应用，将它们标记在身体位置上，储存起来供皮肤科医生检查或自我监测，以跟踪痣的外观变化，痣的外观是黑色素瘤的重要预测因子。

在2017年三月，有超过45相关单单苹果的App Store提供摩尔诊断移动应用程序。他们中的大多数（ )只提供有关黑素瘤的教育资料，其中近一半( )允许用户对自己的痣进行拍照，并通过简单的视觉对比跟踪其随时间的变化，只有4个应用程序基于图像分析进行黑色素瘤风险评估或病变分类(表)1)。

只有SkinVision的作者和Lūbax公开临床评估的结果的风险评估算法(21,22]。出4个应用总结在表1，只有两人是经权威机构认证：SkinVision获得欧洲“CE”标志和DermaCompare是经美国食品和药物管理局。

1.4.1。SkinVision

SkinVision采用的风险评估算法是基于病灶的灰度图像分析(）和其相关联的分形图 。基于加权局部分形维数(WLFD)生成分形图。23(WLFD最初用于计算机断层摄影图像增强，但SkinVision的作者将其应用于皮肤镜检查)。对病变进行分割(从而提取病变轮廓)、阈值和采用大津阈值法对和 ,分别。以下参数的计算 :与WLFD像素的百分比低于 与WLFD像素的百分比低于 ，该间隔内发现的具有明显纹理的连通区域的数量 和 ,下面是计算 :在区间内发现的强度不同的连通区域数 , ,和圆指数。根据这些参数，SkinVision应用评估病变三个风险的一类：高，中，低。

SkinVision物上的一组使用配备有800万像素的自动对焦相机iPhone 4S移动设备拍摄黑色素细胞病变的图像的测试。它实现了73％的81％的整体敏感性，83％的特异性和准确性。阳性和阴性预测值分别为49％和83％。

1.4.2。Lū伯灵顿

使用的皮肤损害分类系统Lū伯灵顿由一个专有的近12000名确诊病变的图像数据库和计算机算法原理的基础上,基于内容的图像检索(新图像的算法比较特征图像数据库中识别nearest-match诊断)。

病变图像使用Celestron®(Torrance, CA)手持数码显微镜拍摄，该显微镜配有200万像素的相机，微距镜头周围环绕着一圈白色发光二极管灯。一致的照明条件和成像距离是通过附加一个10厘米的不透明管到每个相机的前面来确保的。所有非黑素瘤和黑素瘤病变的最大直径至少为10毫米。

数据库中的每个病变图像的审查和通过使用标准的临床标准三板认证的皮肤科医生的至少一个诊断。在“地面实况”分级不是活检证实，但基于检阅皮肤科医生之间的协议。从DermNet NZ [借用黑素瘤的唯一302图像24]数据库以前病理学证实。

该算法将新的皮肤损伤图像与已诊断的皮肤损伤图像数据库进行比较。它使用病灶大小、颜色、形状和纹理等与方向和工件无关的图像信息，为每个图像创建一个高维的签名。“恶性与非恶性”分类随后使用a进行-nearest邻分类。

Lūbax是一组从所述数据库，其中有208人黑素瘤查询337个的图像的评估。它得分的90.4％的灵敏度，91.5％的特异性和90.8％的准确度。阳性和阴性预测值分别为94.5％和85.5％。

2.埃斯金Teledermatoscopy系统的开发

基于以上信息，对远程皮肤镜系统的开发和分析仍有很大的需求。在这篇文章中，我们提出一种新的方法来分析非黑素瘤和黑素瘤的病变。该创新首先基于对直径小于5 mm的微黑色素瘤和高级皮肤痣的区分。其次，我们提出了一种可应用于远程皮肤镜系统的皮肤病变分化的附加算法，该算法已在我们的工作中进行了描述[25]。在本节中，我们将介绍系统概述并描述系统的技术需求、应用程序架构以及行为和动态方面。

2.1。系统概念

呈现系统的概念的目的，是其更好地说明和系统的各个模块之间的关系的描述。在撰写系统，概述问题，如安全的医疗信息传输，快速连接的可用性，服务器选择，数据库类型进行了分析。数字5呈现了由客户端（客户端）提供智能电话应用的系统的实现的概念和该系统的服务器侧，包括一个通用服务器的，计算服务器，用户数据库和图像数据库。

2.2。应用需求规范

硬件中最重要的部分是高品质的摄像系统。的病变部位的某些皮肤镜的功能，如颜料网络或点，都清晰可见仅在放大下的（通常至少×)。另外，由于在颜色的病变可见是重要的诊断线索，期望采取图像适当的照明条件。

大多数现代智能手机相机（这是事实，例如，用于从iPhone 5S和从三星Galaxy S4开始的所有三星Galaxy设备启动所有iPhone设备）配备有至少800万像素的传感器，其像素尺寸为至多1.5 m，允许用户捕捉高质量的照片。然而，智能手机相机通常缺乏高质量的光学变焦，也没有配备白光光源，而白光会均匀地照亮被检查的病变。

解决上述不足的裸智能手机是使用智能手机皮肤镜或传统皮肤镜带手机套(图)6和7)。智能手机皮肤镜是皮肤镜的附件，通过放大镜和特殊光线提供皮肤的详细视图。目前市面上的大多数智能手机皮肤窥镜都提供x对×可放大，可在偏振光和非偏振光模式下工作，并可在接触和非接触模式下进行检测。一些传统的皮肤窥镜可以通过特殊的外壳连接到手机上(例如，3Gen的DermLite和Canfield的VEOS系列的所有皮肤窥镜都可以与iPhone 5配套使用，而3Gen的DermLite和MoleScope产品可以与三星Galaxy S4及以上产品配套使用)。

2.3。应用程序体系结构

和其他复杂系统一样，软件和医疗应用程序必须建立在坚实的基础上。在智能手机应用程序设计过程中，重要的是定义一个满足所有技术和操作需求的结构化解决方案，同时优化常见的质量属性，如性能、安全性和可管理性。该过程涉及一系列基于广泛因素的决策，而这些决策中的每一个都会对应用程序的质量、性能、可维护性和整体成功产生相当大的影响[26]。所提出的系统由两个部分组成：移动应用程序和服务器（图8)。

移动应用程序的任务包括以下内容：(我)与登录并更改基本设置的能力，友好的用户界面（ⅱ）的能力，采取了皮肤痣的照片，或从智能手机上已保存的图片选择(3)介绍所选皮肤痣的分类结果（ⅳ）紫外线危害等级的用户位置(v)与服务器通信，包括通用服务器、图像数据库、用户数据库和计算服务器(vi)检查互联网连接和数据安全性。

服务器执行的任务包括:(我)与所述用户移动装置的通信（一般的服务器任务）（ⅱ）用户登录(用户名和密码验证)和访问控制(一般服务器和用户数据库任务)(3)特征参数计算、图像分类、评分比较（计算服务器任务）（ⅳ）医学数据归档(医学图像、计算的皮肤痣参数和分类结果)（图像和用户数据库任务）。

2.4。该系统的行为和动态方面

所提出的移动应用程序的活动图，捕捉其动态行为，示于图9。应用程序的主要功能是把摩尔的照片和他们为了完成黑色素瘤的风险评估发送到服务器。它也能够存档拍摄的照片，并通过过去的考试浏览。附加功能，欲上升黑色素瘤的认识，包括紫外线辐射风险提示，关于后续的检查提示，以及工具，轻松找到最近的皮肤科医生。

数据流图（DFD）是的“流”的数据是如何由系统中的输入和输出方面进行处理的图形表示。它侧重于信息，在数据的来源，流动，哪里就有奇迹，它如何被存储。它是外部实体和过程和数据存储之间的数据的系统内的移动的图画。数字10提出建议的DFD图。甲DFD图由外部实体，流程和数据存储的：(我)外部实体:数据的来源或目的地(系统外):用户(移动应用程序)、计算服务器和通用服务器（ⅱ）流程:对数据执行的工作或动作:图像评估、认证、图像存储和分包图像评估(3)数据存储：数据系统存储：用户的数据库和图像数据库。

2.5。计算方法

分析和黑色素瘤皮肤损害的分类是一个复杂的问题，由于在各级疾病进展的不同的外观。我们最近的早期发现黑色素瘤的主题研究和经验表明，不同的方法来分类的过程中，应采取提高识别效果。的实现和测试计算机辅助诊断系统已在图被呈现11。对所分析的医学图像分别进行预处理和分割的前两个步骤。

预处理步骤对于真皮镜图像是必不可少的，以提高质量，由于外来的伪影，如皮肤线，气泡，头发，几乎出现在每一幅图像。预处理步骤包含三种算法[27,28]：(我)黑帧去除:利用HSL颜色空间的明度分量，对数字化过程中引入的黑帧进行检测。（ⅱ）平滑：高斯滤波器被用于气泡和光毛发平滑。(3)黑发修补：去除黑色和粗毛，我们选择了白色高帽变换。发际线的像素被替换为相邻像素的基础上计算出的值。

医学图像是分割最复杂的图像之一;此外，这一步对于序列分析和诊断是至关重要的。在我们的工作中，我们比较了不同的分割方法，基于之前的结果，应用于皮肤病变提取的分割算法是基于种子区域生长算法[29,三十]。

在前两个步骤之后，分割的皮肤痣被排序到两种分类算法中的一种。这一划分是根据摩尔直径来进行的。直径小于5毫米的皮肤痣被传递给微黑色素瘤算法而其余的到具体的黑色素细胞病变算法。病变的直径是由用户提供作为它是不可能仅基于上述医用图像上，以评估它。Micromelanomas表示诊断病变的少数，其频率范围从1％至17％。该mean diameter of in situ melanomas is around 1 cm, and invasive melanomas are usually greater than 6 mm. Despite the fact that micromelanomas are in the minority, they are responsible for most errors during the diagnosis. Separation of individual changes allows us to obtain a more accurate and reliable computer diagnosis system. The微黑色素瘤算法和具体的黑色素细胞病变算法已经详细描述[25,28]。

3.早期实验

我们在一个我们大多数人在日常生活中使用的iOS智能手机上实现了这个应用程序。这个小智能手机包含了所有的传感器，可以为实现这个系统提供足够的信息。eSkin应用的初步版本已经在Xcode开发环境中在Swift中实现，Xcode开发环境专门用于macOS，包含macOS、iOS、watchOS和tvOS的一套软件开发工具。数字12提供建议版本的图形用户界面。实现了基本功能，包括拍摄医疗照片、评估皮肤痣以及医疗数据归档。

该埃斯金的应用程序使用一个科学证明算法来检测和分析皮肤镜图像进行皮肤癌的明显迹象。为了测量诊断性能，我们计算灵敏度，特异性，并且曲线图曲线（AUC）下的面积。这些性能措施的基本定义可以说明如下。

敏感度(也称为真阳性率)是细胞被称为贴壁的概率，假设它是。这可以通过相对频率估计: 哪里正确的答案是肯定的吗是假阴性的答案。灵敏度的值的范围在0和1，其中，0和1之间，分别意味着最坏和最佳分类。

特异性(又称假阳性率)定义为真阴性结果占所有阴性结果的比例，定义公式如下: 哪里是真阴性的答案，是假阴性的答案。特异性范围的值0和1，其中，0和1，分别意味着最坏和最佳分类之间。

表2显示对微病变和开发的皮肤痣实现算法的分类结果。

对于统计分析，SkinVision分类组织学痣证明是低或中等风险和黑色素瘤的高危病变。统计包括144个病变（最小病变每3个图像的）用下面的组织学诊断：84良性痣（58％），34个发育不良痣（24％），和26个黑素瘤（18％）。

质量差的图像(例如,由于不合适的成像角度和距离)和包含其他元素不属于病变(如,头发),以及用例和同等数量的结果在连续两类风险(例如,1高风险,中等风险,和1低风险的结果),被排除在分析之外。总的来说，26%的最初拍摄的图像由于不正确的成像而被取消。

与组织学结果相比，SkinVision黑色素瘤检测算法的敏感性为73%，特异性为83%，准确性为81%。

通过Lūbax黑素瘤检测算法的性能进行了评估一组从他们的数据库随机选择的337个的图像。该set included 129 images of nonmelanoma lesions and 208 images of melanoma lesions, all with the largest diameter of at least 10 mm. All melanoma query images were selected from the set of images acquired from DermNet NZ to ensure confirmation of the malignancy by histopathology.

所述Lūbax黑素瘤检测算法的灵敏度为90％，特异性为91％，准确度为91％。对于黑素瘤分类相比，组织学结果的SkinVision算法的灵敏度为73％，特异性为83％，准确度81％。

所实现的分类系统所取得的结果远远好于同类作品中所描述的结果。我们的方法可以非常精确地对皮肤痣进行分类，我们可以确定，微皮损的分类必须与已发育的皮肤痣的分类分开进行。总体而言，我们的实验清楚地表明，基于先进机器学习技术的强大系统可以支持分类。

4.结论和讨论

在这篇文章中，我们提出了一种新的远程皮肤病学系统用于黑色素瘤的诊断，基于我们之前的研究评估皮肤病变的恶性程度，以及区分微黑色素瘤和发育的皮肤痣。我们的系统构建在客户机-服务器架构中，面向智能手机用户。

在我们的系统中，客户端应用程序的主要功能是拍摄痣的照片并发送到服务器，以便进行黑素瘤风险评估。通过将所有与图像评估相关的计算转移到专用服务器，我们可以使用计算要求较高的算法来分析皮肤镜图像。由于医疗数据将被归档到一个中央数据库中，它们将在改进诊断算法时提供宝贵的帮助。客户端-服务器体系结构还将使对评估算法实现更改的过程为用户无缝对接，因为不需要客户端软件更新。

为了保证影像的高质量和损伤的皮肤镜一定具有良好的知名度，该系统的设计工作与智能手机dermatoscopes或常规dermatoscopes与移动电话外壳。这样的解决方案也将减少拍摄图像的在适当的照明条件的负面影响，使得有可能避免与确定损伤的尺寸的问题。后一个问题是特别重要的，因为我们最近的研究显示，这取决于病变不同的诊断算法的大小应该用于提高识别效果。

虽然我们的系统的客户端为iOS设备最初被开发，它不使用任何功能的特定要么iOS或苹果公司的智能手机。因此，它可以很容易地移植到工作与运行Android操作系统的设备。

由于公众对预防皮肤癌的重要性认识不足，世界上许多地区的皮肤科医生也没有足够的渠道，因此有必要开发计算机辅助诊断系统，以促进黑色素瘤的早期发现，这可以由非专家使用。然而，截至2017年3月，只有四款基于图像分析进行黑色素瘤风险评估或病变分类的移动应用程序可供公众使用。随着远程皮肤医学系统达到85%的准确性，与传统的基于临床的护理相比较，我们相信我们的系统将满足这一需求，并允许其用户避免皮肤科就诊，跳过皮肤活检，并削减咨询费用。

的利益冲突

作者声明，本论文的发表不存在任何利益冲突。

致谢

这种科学的工作是由科学技术研究基金的AGH大学的决策支持号。15.11.120.883和15.11.120.635到J. Jaworek-Korjakowska。

参考文献

1. C. GARBE和U.雷特，“黑色素瘤流行病学和趋势，”在皮肤科诊所卷。27，没有。1，第3-9，2009年。查看在：出版商网站|谷歌学术搜索
2. M. Campioni，D.桑蒂尼，G. Tonini等人，“在黑素瘤进展和化疗耐药的Apaf-1，细胞凋亡的关键调节剂，作用，”实验皮肤病学卷。14，没有。11，第811-818，2005。查看在：出版商网站|谷歌学术搜索
3. G. Argenziano, P. H. Soyer, V. D. Giorgio等人，皮肤镜的互动地图集， Edra医疗出版和新媒体，2000年。
4. K.科罗特科夫和R.加西亚，“色素性皮肤病变的计算机分析：回顾”人工智能在医学卷。56，没有。2，第69-90，2012。查看在：出版商网站|谷歌学术搜索
5. R. Tadeusiewicz，“如何智能应该是图像分析系统？”在智能图像分析的创新, h·克瓦语śnicka l . c . Jain, Eds。，第339卷计算智能研究，第V-X，施普林格出版社，柏林，海德堡，2011。查看在：谷歌学术搜索
6. englishSkin肿瘤的发生率随时间的趋势2016年，英国癌症研究中心。
7. “Zachorowania我zgony呐nowotworyzłos'liweW¯¯polsce，Krajowy RejestrNowotworów，中枢Onkologii，Instytut IM。MariiSkłodowskiej居里年，2016” 年。查看在：谷歌学术搜索
8. 先知统计概况介绍：皮肤黑素瘤国家癌症研究所年，2016年。
9. 莫斯医学词典，爱思唯尔，第十版，2016。
10. S. Seidenari，C.法拉利，S Borsari等人。“小黑色素瘤的皮肤镜检查：只是小型化皮肤镜？”英国皮肤病学杂志卷。171，没有。5，第一〇〇六年至1013年，2014。查看在：出版商网站|谷歌学术搜索
11. 癌症事实与数字2016，美国癌症协会，2016年
12. 澳大利亚统计局，死亡原因，澳大利亚2015年2016。
13. M. E.切莱比，J.S。马克斯，和T.门东萨，Dermoscopy图像分析，CRC出版社有限责任公司，第1版，2016年
14. 伍姆，索耶尔和史密斯，远程医疗皮肤科，施普林格出版社，德国柏林，第1版，2012。
15. J. Norum时，S.彼得森J.司氏等人，“对挪威大规模实施远程医疗服务的优先次序，”杂志远程医疗和远程护理的第13卷，no。第185-192页，2007年。查看在：出版商网站|谷歌学术搜索
16. j.d.怀特，h.s. Pak和k.e.爱迪生，远程皮肤病学:用户指南，剑桥大学出版社，英国，剑桥，2008。
17. J. D. Whited, R. P. Hall, D. L. Simel等人，“皮肤科医生临床和数字图像咨询的可靠性和准确性，”皮肤病学杂志的美国科学院卷。41，没有。5，第693-702，1999。查看在：谷歌学术搜索
18. S. Markun，N. Scherz，T.罗泽曼，R.戎和R. P.布劳恩，“皮肤癌筛查移动皮肤学：诊断准确性研究，”医学卷。96，没有。10，第e6278，2017年。查看在：出版商网站|谷歌学术搜索
19. 。R.伍顿，M. A.隆，S. E.纰漏等人，“多中心随机对照试验与常规门诊护理皮肤科比较实时皮肤学：社会成本效益分析，”英国医学杂志第320卷，no。7244, 1252-1256页，2000。查看在：出版商网站|谷歌学术搜索
20. A. P. Kassianos，J.D.金刚砂，P.穆歇尔，和F. M.沃尔特，“Smartphone应用程序用于通过社区，患者和临床医生多面手用户黑素瘤检测：综述，”英国皮肤病学杂志卷。172，没有。6，第1507年至1518年，2015年。查看在：出版商网站|谷歌学术搜索
21. T.迈尔，D. Kulichova，K.的Schotten等人，“使用相比临床诊断和组织学结果着色摩尔的分形图像分析智能电话应用的精确度，”杂志欧洲科学院皮肤病与性病的卷。29，没有。4，第663-667，2015。查看在：出版商网站|谷歌学术搜索
22. 陈r.h.， M. Snorrason, S. M. Enger等，“基于计算机视觉技术的皮肤损伤图像匹配算法的验证”，远程医疗和电子健康卷。22，没有。1，第45-50，2016。查看在：出版商网站|谷歌学术搜索
23. A. Udrea，M.棚濑和D.波佩斯库，“在肾疾病的情况下，计算机辅助诊断非线性确定性方法，”在在控制，自动化和机器人在信息和第九届国际会议论文集（ICINCO '12）张志勇等编，第516页，第31-511页，华东理工大学出版社，2012。查看在：谷歌学术搜索
24. DermNet新西兰皮肤科资源,https://www.dermnetnz.org/。
25. j . Jaworek-Korjakowska和p . Kłeczek特定melanocytic病变使用人工智能的自动分类,“生物医学研究的国际，第16卷，文章编号8934242,17页，2016年。查看在：出版商网站|谷歌学术搜索
26. 模式和实践开发人员中心，什么是软件架构?2009年。
27. J. Jaworek-Korjakowska和R. Tadeusiewicz，“彩色皮肤图像的脱毛，”生物算法和MED-系统卷。9，没有。2，第53-58，2013。查看在：出版商网站|谷歌学术搜索
28. J. Jaworek-Korjakowska，“应用支持向量机对微恶性黑色素瘤病变的计算机辅助诊断，”生物医学研究的国际卷。2016年，文章编号4381972，8页，2016年查看在：出版商网站|谷歌学术搜索
29. J. Jaworek-Korjakowska，“彩色皮肤镜图像中边界不规则性评估的新方法，”计算和数学方法在医学，第15卷，文章编号496202,11页，2015年。查看在：出版商网站|谷歌学术搜索
30. j . Jaworek-Korjakowska恶性黑色素瘤局部结构的检测与分析[博士论文]。论文)科技的AGH大学在克拉科夫，2013。

版权

版权所有©2018乔安娜Jaworek-Korjakowska和帕维尔Kleczek。这是下发布的开放式访问文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。