【深度学习图像识别课程】皮肤癌症检测：（1）背景介绍

介绍：Sebastian，无人车之父，优达学城创始人之一，斯坦福大学教授。这个皮肤癌检测项目就是他最近的一个深度学习课题。

1、皮肤癌症的种类

皮肤癌症有很多种类，有恶性肿瘤、黑色素瘤。其中黑色素瘤有0期、1期、2期、3期和4期之分。0期5年存活率99%-100%，4期5年存活率为15-20%。也就是说，发现的越早越容易治疗。

2、数据集

从临床、比赛搜集的13万皮肤影像。有健康的，也有不健康的，包含2000多种疾病：有皮肤癌症的，也有其他皮肤炎症，皮疹，损伤等。

3、清洗数据的挑战

重合，分辨率不一，亮度不一，大的黄色标记

一些医生在进行研究时，会对影像用黄色标记，来表征皮肤疾病的形态。这个对皮肤疾病的检测也是一个干扰，需要清洗掉。

4、神经网络

google循环神经网络：

最后分成757类。

使用google之前用于分类猫、狗、汽车的权重作为初始化权重，比直接使用随机权重更容易。

5、查全率，查准率和敏感性、特异性

见我的博文：https://blog.csdn.net/weixin_41770169/article/details/80362646

6、阈值的选择

p为0-1之间的概率，用来区分良性和恶性。选择0.2作为最终的阈值，可以区分所有良性、恶性，虽然有一些良性会进行更多的检查，但这个跟将病人误判为健康的代价比起来，小多了。

7、ROC曲线

一般的ROC曲线，是把TP作为水平轴，FP作为垂直轴。

这里的ROC曲线，是把敏感性Sensitivity作为水平轴，特异性Specificity作为垂直轴。

对于下面这张图，敏感性就是阈值右边，所有诊断为病变，被正确分类的比例是多少。特异性就是阈值左边，所有诊断为健康，被正确分类的比例是多少。

将阈值从0-1不断增加，得到的ROC曲线如下：

8、测试项目与医生对比：

蓝线是项目结果，红点是医生结果，绿点是医生的平均结果。

医生的结果很分散，而且有些医生会将癌症病人误判为健康。

9、混淆矩阵

当分类器很好时，对角线应该大于非对角线，甚至是单位矩阵。