مفهوم جوجه اردک های زشت در پوست برای بهبود احتمال تشخیص ملانوما با مقایسه یک ضایعه مشکوک در برابر ضایعات اطراف آن معرفی شد. علامت جوجه اردک زشت نشان می دهد که Nevi در همان فرد تمایل به شبیه شدن به یکدیگر دارد در حالی که ملانوم بدخیم اغلب از این الگوی Nevus منحرف می شود. تمایز علامت جوجه اردک زشت بین ملانوم بدخیم و سایر NEVI نسبت به ارزیابی کمی از الگوهای درموسکوپی تبعیض آمیز تر بود. در این مطالعه ، ما چارچوبی برای مدل سازی زمینه جوجه اردک زشت شناسایی اولیه ملانوما (به نام UDTR آخرت) پیشنهاد می کنیم. برای این منظور ، ما مدل خود را در سه بخش می سازیم: اولا ، ما ویژگی های چند مقیاس را با استفاده از یک شبکه عصبی عمیق از ضایعات در همان افراد استخراج می کنیم. سپس ، ما زمینه ضایعه را با مدل سازی وابستگی بین ویژگی های ضایعات با استفاده از رمزگذار ترانسفورماتور می آموزیم. سرانجام ، ما یک معماری دو شاخه را برای انجام پیش بینی سطح بیمار و پیش بینی سطح ضایعه به طور همزمان طراحی می کنیم. همچنین ، ما یک استراتژی یادگیری متضاد گروهی را برای اجرای حاشیه بزرگی بین ضایعات خوش خیم و بدخیم در فضای ویژگی برای یادگیری ویژگی های متنی بهتر پیشنهاد می کنیم. ما روش خود را در مجموعه داده های ISIC 2020 که شامل 30،000 تصویر از 2000 بیمار است ، ارزیابی می کنیم. آزمایش های گسترده نشان دهنده اثربخشی رویکرد ما و اهمیت تشخیص ضایعات با سرنخ های ضایعات اطراف نسبت به فقط ارزیابی ضایعه مورد نظر است.

پیوند به کاغذ

پیوند به مخزن کد

پیوند به مجموعه داده (ها)

بررسی

بررسی شماره 1

• لطفاً سهم مقاله را شرح دهید

مقاله موجود در مورد مشکل تشخیص ملانوما از تصاویر درموسکوپی است. نویسندگان هدف این است که با گرفتن زمینه با ضایعات متعدد از یک بیمار ، اصل جوجه اردک زشت را در یک مدل یادگیری عمیق بگنجانند. برای این منظور ، نویسندگان از یک ترانسفورماتور استفاده می کنند که بردارهای برجسته را برای هر ضایعه از یک CNN رمزگذاری شده به عنوان نشانه های آن پردازش می کند. علاوه بر این ، نویسندگان از ضرر در سطح ضایعه ، از دست دادن سطح بیمار و از دست دادن متضاد بین ویژگی های ضایعات خوش خیم و بدخیم استفاده می کنند. نویسندگان از مجموعه داده های عمومی ISIC 2020 استفاده می کنند. آزمایش های فرسایش چندگانه انجام می شود که عملکرد بهبود یافته در مقایسه با CNN ضایعه ضایعه را نشان می دهد.

• ایده استفاده از زمینه از نظر ضایعات متعدد انگیزه خوبی دارد.• ترانسفورماتورها برای مشکل پیشنهادی بسیار مناسب هستند.• نویسندگان به وضوح استراتژی اعتبار سنجی/آزمایش خود را توصیف می کنند.• نویسندگان آزمایش های فرسایشی را ارائه می دهند.

• روش نویسنده برای ارائه نتایج تا حدی گیج کننده است: o نویسندگان باید نوع مدلی را که در جدول 1 استفاده کرده اند بیان کنند. خواننده می تواند این را از مقایسه مقادیر حدس بزند اما این باید بیان شود. o نویسندگان نتایج در سطح بیمار را در جدول 2 بدون بیان واضح آن حذف می کنند. o نویسندگان حساسیت و ویژگی را در جدول 3 نادیده می گیرند. • مقایسه مناسبی با روش های دیگر در ادبیات وجود ندارد: o "پس پردازش امتیازی" و "پس پردازش ویژگی" از کجا آمده است؟آیا نویسندگان اینها را ایجاد کرده اند؟اگر بله، چرا اگر کار نمی کنند با آنها مقایسه کنید؟o چالش ISIC 2020 روش های زیادی برای مقایسه ارائه می کند. تصدیق می کنم که بسیاری از آنها از ترفندهای زیادی برای دستیابی به عملکرد بالا استفاده می کنند، اما نویسندگان می توانستند یکی از آن روش ها را در تنظیمات خود بازتولید کنند (فقط 10 برش به عنوان تقویت آزمایشی) • مقدار شکل 3 و 4 نامشخص است: o شکل. 3: احتمالات نرم افزار کالیبره نشده معمولاً معیاری کمتر از حد بهینه برای عدم قطعیت مدل هستند - نکته اصلی از این رقم چیست؟o شکل 4: نویسندگان تفسیری از وزن توجه تجسم شده ارائه نمی دهند. از نظر خواننده، به نظر می رسد که تعداد کمی از ضایعات خودسرانه (نه بدخیم) به عنوان مهم با توجه وزن انتخاب می شوند.• نویسندگان آزمون های معناداری ارائه نمی دهند (اما آنها انحرافات استاندارد CV را ارائه می کنند)

خوب

• نویسندگان بر روی یک مجموعه داده عمومی ارزیابی می کنند (چالش ISIC 2020)، به تکرارپذیری کمک می کند • نویسندگان در مورد انتشار کد خود اظهار نظر نمی کنند، که مانع تکرارپذیری

• به طور کلی ، من می دانم که رویکرد نویسندگان بسیار معقول است و ترانسفورماتورها به خوبی مناسب هستند تا اصل زباله زشت را در خود جای دهند. با این حال ، چندین نکته وجود دارد که نویسندگان باید آن را برطرف کنند (ارائه/توضیحات نتایج) و بحث (شکل 3 ، 4 ، کار مرتبط). برای جزئیات بیشتر به نقاط ضعف مراجعه کنید.• چیز دیگری که برای من گم شده است ، مجموعه ای از تکنیک های استاندارد جمع آوری برای پیش بینی های سطح بیمار ، به عنوان مثال ، از نظر گروه (میانگین (وزنی) احتمالات/انتخاب بزرگترین احتمال و غیره) است. این می توانست برای CNN استاندارد انجام شود.• مجموعه داده بسیار نامتعادل است. به نظر می رسد نویسندگان به نتایج متریک متعادل (Sens./spec.) دست می یابند ، با این حال ، من نمی توانم از تکنیک های متعادل کننده مانند وزن گیری یا نمونه گیری دسته ای متعادل یاد بگیرم. نویسندگان برای پاسخگویی به عدم تعادل کلاس از چه چیزی استفاده کردند؟

رد مرزی (5)

رتبه من مرزی است. به طور کلی ، این رویکرد برای جامعه Miccai بسیار جالب است ، با این حال ، نویسندگان باید قبل از انتشار بخش نتایج/بحث و گفتگو خود را بهبود بخشند.

بسیار با اعتماد به نفس

بررسی شماره 2

• لطفاً سهم مقاله را شرح دهید

نویسنده چارچوبی به نام UDTR آخرت را برای مدل سازی زمینه جوجه اردک زشت در شناسایی ملانوما (به نام UDTR آخرت) پیشنهاد کرد. آنها ابتدا با استفاده از یک شبکه عصبی عمیق از ضایعات در همان افراد ، ویژگی های چند مقیاس را استخراج می کنند. سپس ، آنها زمینه ضایعه را با مدل سازی وابستگی بین ویژگی های ضایعات با استفاده از رمزگذار ترانسفورماتور یاد می گیرند. سرانجام ، آنها یک معماری دو شاخه ای را برای انجام پیش بینی سطح بیمار و پیش بینی سطح ضایعه به طور همزمان طراحی می کنند. همچنین ، آنها یک استراتژی یادگیری متضاد گروهی را برای اجرای حاشیه بزرگ بین ضایعات خوش خیم و بدخیم در فضای ویژگی برای یادگیری ویژگی های متنی بهتر پیشنهاد می کنند.

انگیزه روشن و بررسی ادبیات کافی.

4. 1 لطفا توضیحات مفصل را در عنوان شکل 2 اضافه کنید. 4. 2 در شکل 2 ، لایه رمزگذار مربوط به کدام قسمت در شکل معماری سمت چپ؟4. 3 بینش استفاده از یادگیری متضاد گروه به جای یادگیری متضاد تصویر چیست؟یادگیری متضاد تصویر به معنای محاسبه متضاد در تصویر توسط تصویر و بدون گروه آنها است. من فکر می کنم یادگیری متضاد تصویر یک پایه اصلی برای مقایسه است. 4. 4 چگونه N را تعریف کنیم؟همانطور که مستقیماً با نتایج یادگیری متضاد مرتبط است. چگونه می توان این پارامتر بیش از حد را با مقدار مختلف تصویر مجموعه داده سازگار کرد؟

رضایتبخش

خوب

ارقام باید زیرنویس مفصلی را نیز برای خوانایی بهتر اضافه کنند

قبول (8)

روش جدید ، روش جامد.

بسیار با اعتماد به نفس

بررسی شماره 3

• لطفاً سهم مقاله را شرح دهید

در این مقاله به استفاده از ترانسفورماتور برای تشخیص ملانوما با استفاده از کل تصاویر درموسکوپی بیمار ارائه شده است. در ابتدا ، از CNN برای رمزگذاری ویژگی های تصویر استفاده می شد که سپس توسط یک ترانسفورماتور برای مدل سازی رابطه وابستگی تجزیه می شد. سرانجام ، از یک شبکه دو شاخه ای با عملکرد از دست دادن متضاد برای پیش بینی نتایج ضایعه و سطح بیمار استفاده شد. به نظر می رسد نتایج تجربی با مجموعه داده های عمومی ISIC 2020 بهتر از روشهای موجود است.

این مقاله به خوبی سازماندهی و ساختاری است و همین امر باعث شده مخاطب آسان شود. مفهوم اهرم همه تصاویر ضایعه موجود بیمار جالب و جدید است. نتایج تجربی کافی برای توجیه روش پیشنهادی وجود دارد.

به نظر می رسد که روش پیشنهادی اجرای ساده ترانسفورماتور است. بنابراین ، مشخص نیست که چرا این جدید است و چرا ترانسفورماتور انتخاب بهینه است. هیچ مقایسه ای با روشهای موجود که برای تشخیص ملانوما بهینه شده اند وجود ندارد. بنابراین ، درک این نکته که روش پیشنهادی پیشرفته ترین هنر را بهبود بخشیده است ، چالش برانگیز است.

خوب

روش پیشنهادی با یک مجموعه داده عمومی به خوبی معیار تهیه شده است. Hyperparameters منتخب نیز در نسخه خطی آورده شد.

پیش بینی سطح و سطح بیمار پس از شماره تصویر 30 کاهش یافته است (جدول 1). آیا دلایلی برای آن وجود دارد؟از لحاظ تئوریکی ، با افزایش تعداد تصاویر ، عملکرد باید افزایش یا سازگار باشد. به نظر می رسد که بهبود استفاده از زمینه جهانی افزایشی است (افزایش 0. 5 ٪ ، جدول 2 ، UDTR-L و UDTR-LP). آیا این قابل توجه است؟خوب خواهد بود که نتایج تشخیصی در مورد CNN پیش بینی ملانوما سطح بیمار داشته باشید. این به درک اهمیت زمینه جهانی کمک می کند. برخی از هایپرپارامترهای غیر استاندارد بدون توجیه استفاده می شوند. بهتر خواهد بود اگر نویسنده بتواند انتخاب را توضیح دهد. به عنوان مثال ، C = 1. 24 و M = 0. 3.

مرزی قبول (6)

مفهوم استفاده از تمام تصاویر درموسکوپی موجود برای تشخیص ملانوما جدید و جالب است. نویسندگان همچنین آزمایش های مفصلی را برای توجیه روش پیشنهادی انجام می دهند.

بسیار با اعتماد به نفس

بررسی متاء اولیه

• لطفاً با در نظر گرفتن تمام بررسی ها ، ارزیابی خود را از این کار ارائه دهید. نقاط قوت و ضعف اصلی مقاله را خلاصه کنید و توصیه خود را توجیه کنید. در صورت انحراف از توصیه های داوران ، دلایل دلایل را به تفصیل توضیح دهید. در صورت دعوت به توهین ، روشن کنید که کدام نکات برای پرداختن به این نکته مهم است.

همه داوران اذعان می کنند که این مقاله یک روش جالب ترانسفورماتور را همراه با اصل زباله زشت برای تشخیص ملانوما در تصاویر درموسکوپی معرفی می کند. با این حال ، برخی از توضیحات دقیق از روش پیشنهادی در حال حاضر از دست رفته و ارائه نتایج نیز باید بهبود یابد.

بازخورد نویسنده

q1. هیچ مقایسه مناسبی با روشهای دیگر در ادبیات وجود ندارد. معلوم نیست که مات پیشنهادی پیشرفته را بهبود بخشیده است. همچنین ، چرا در صورت عدم کار با "روشهای پس از پردازش" مقایسه می شود؟چرا روش ISIC 2020 را مقایسه نمی کنیم؟(R1 & R3)

پاسخ: تا آنجا که ما می دانیم ، هیچ تحقیقات قبلی در مورد مدل سازی "علامت جوجه اردک زشت" برای تشخیص ملانوما مورد بررسی قرار نگرفته است. بنابراین ، هیچ روش گزارش عمومی برای مقایسه وجود ندارد. در مطالعه ما ، ما دو روش پایه را برای مقایسه پیشنهاد کردیم: 1) پردازش پس از نمره CNN. و 2) ویژگی CNN مبتنی بر فرآیند.

از آنجا که هدف ما مقایسه ضایعات از همان بیمار برای طبقه بندی ضایعه دورتر است ، انجام پس از پردازش یا بر روی نمرات CNN یا ویژگی های CNN یک روش بصری و کارآمد برای ارزیابی رابطه بین ضایعات است. با توجه به آزمایش ما ، اگرچه ما بیش از حد پارامترهای بهینه را در مجموعه داده های اعتبار سنجی انتخاب می کنیم ، عملکرد آنها در مجموعه داده های آزمایش کاهش می یابد ، که نشان می دهد این روش ها برای مقابله با چنین کار پیچیده ای از تشخیص ضایعه مبتنی بر متن مناسب نیستند.

در این مطالعه ، ما عمدتاً بر بررسی چگونگی مدل سازی مؤثر در زمینه جوجه کشی زشت برای بهبود تشخیص ملانوما متمرکز شده ایم. ما مدل خود را با مدل های اساسی CNN تحت همان استراتژی استاندارد آموزش و تقویت داده ها در مجموعه داده ISIC 2020 مقایسه کردیم. نتایج نشان داد که فواید استفاده از متن ضایعه و همچنین برتری روش ما است.

در واقع ، روشهای زیادی در چالش ISIC 2020 وجود دارد ، اما هر دو روش برتر رتبه بندی بر اساس گروه های سنگین مدل های مختلف با معماری های مختلف است یا با اندازه ورودی مختلف آموزش دیده اند. به عنوان مثال ، مدل های روش درجه یک 18 مدل برای پیش بینی نهایی. همچنین ، آنها از داده های خارجی برای بهبود عملکرد برای هر مدل CNN استفاده می کنند. این روشها به جای راه حل های با الهام از بالینی ، هدف قرار دادن به شدت برای عملکرد بالاتر طراحی شده اند.

Q2: بینش استفاده از یادگیری متضاد گروه به جای یادگیری متضاد تصویر چیست؟من فکر می کنم یادگیری متضاد تصویر یک پایه اصلی برای مقایسه است.(R2)

پاسخ: ما از ضرر متضاد گروهی برای مجبور کردن حاشیه بزرگی بین ضایعات خوش خیم و ملانوما در فضای ویژگی استفاده می کنیم. این مدل ترانسفورماتور زیر را قادر می سازد تا روابط چندین ضایعات را در یک دیدگاه جهانی ضبط کرده و تصمیمات بهتری بگیرند. در حالی که یادگیری متضاد فقط بر یادگیری همبستگی بین یک جفت ضایعات متمرکز است ، که برای "مفهوم جوجه اردک زشت" مناسب نیست. علاوه بر این ، ما یک مکانیسم انتخاب نمونه سخت را در یادگیری متضاد گروه خود با توجه به مجموعه داده های بسیار نامتوازن گنجانیده ایم. ما همچنین سعی کردیم با استفاده از ضرر متضاد جفت تصویر ، اما این عملکرد را تقویت نکرد.

Q4: چگونه N را تعریف کنیم؟چگونه می توان این پارامتر بیش از حد را با مجموعه داده های مختلف تطبیق داد؟(R2)

پاسخ: N شماره تصویر ضایعه ورودی مدل ما است که به میانگین ضایعه بیماران بستگی دارد. در ISIC 2020 ، میانگین ضایعات از هر بیمار است~16. ما یک مطالعه فرسایش در N (جدول 1) انجام دادیم و نتایج نشان می دهد که افزایش N بالاتر از تعداد متوسط تفاوت چندانی نخواهد داشت.

Q5: مجموعه داده بسیار نامتعادل است. به نظر می رسد نویسندگان به حس متعادل دست می یابند.(R1)

پاسخ: نتایج SENS/SPEC به شدت با تنظیم آستانه مرتبط است. ما آستانه بهینه را با شاخص Youden (Sens. + Spec. -1) انتخاب می کنیم که نتیجه SEN/SECT متعادل را امکان پذیر می کند.

Q6: مقدار شکل 3 و 4 نامشخص است.(R1) پاسخ: از شکل 3 برای نشان دادن چگونگی ترکیب اطلاعات متنی ضایعه نمرات پیش بینی برای همان گروه از ضایعات استفاده می شود. با داشتن متن ضایعه از ضایعات اطراف ، این مدل تمایل به نمرات پیش بینی با اعتماد به نفس بیشتری دارد. شکل 4 وزن توجه مدل ما را نشان داده است. وزن خط نشان دهنده قدرت رابطه بین دو ضایعه است. معمولاً ملانوما کمتر شبیه ضایعات خوش خیم است و ارتباط ضعیفی با ضایعات طبیعی دارد.

بررسی های متا-پس از تجدید نظر

بررسی متا شماره 1 (اولیه)

• لطفاً ارزیابی خود را از مقاله با در نظر گرفتن کلیه اطلاعات ، از جمله رد کردن ارائه دهید. نقاط قوت و ضعف اصلی مقاله را برجسته کنید ، نحوه آشتی نظرات و نمرات بررسی متضاد را روشن کنید ، نشان دهید که آیا نگرانی ها با موفقیت در توهین رسیدگی شده است و توجیهی روشن از تصمیم شما ارائه می دهد. اگر با برخی از اظهارات داوری (متا) مخالف هستید ، می توانید در بررسی متا را نشان دهید. لطفاً اطمینان حاصل کنید که نویسندگان ، صندلی های برنامه و عموم می توانند دلیل تصمیم شما را درک کنند.

نویسندگان بیشتر نظرات اصلی را در مورد توبیخ خود بررسی کردند و در مورد اطلاعات مفقود / نامشخص توضیح دادند. در حالی که ارزیابی تطبیقی محدود هنوز یک نگرانی است ، مفهوم استفاده از جوجه اردک زشت برای تشخیص ملانوما جالب بود و از این رو من پذیرش Miccai2021 را پیشنهاد می کنم.

تایید کنید

بررسی متا شماره 2

• لطفاً ارزیابی خود را از مقاله با در نظر گرفتن کلیه اطلاعات ، از جمله رد کردن ارائه دهید. نقاط قوت و ضعف اصلی مقاله را برجسته کنید ، نحوه آشتی نظرات و نمرات بررسی متضاد را روشن کنید ، نشان دهید که آیا نگرانی ها با موفقیت در توهین رسیدگی شده است و توجیهی روشن از تصمیم شما ارائه می دهد. اگر با برخی از اظهارات داوری (متا) مخالف هستید ، می توانید در بررسی متا را نشان دهید. لطفاً اطمینان حاصل کنید که نویسندگان ، صندلی های برنامه و عموم می توانند دلیل تصمیم شما را درک کنند.

ارسال یک الگوریتم تشخیص علامت جوجه اردک زشت برای شناسایی ملانوما بر اساس ترانسفورماتورها پیشنهاد می کند. روش پیشنهادی یک راه حل معقول برای مشکل هدفمند است و اثربخشی آن با نتایج تجربی گزارش شده نشان داده شده است. نگرانی های اصلی در مورد خط مقدمات و گزینه های طراحی در دوره توبیخ مورد توجه قرار گرفته است. بنابراین ، این ارسال برای پذیرش توصیه می شود. به روزرسانی ها همانطور که در نامه رد شده بیان شده است ، تشویق می شوند که به نسخه نهایی ساخته شوند.

تایید کنید

بررسی متا شماره 3

• لطفاً ارزیابی خود را از مقاله با در نظر گرفتن کلیه اطلاعات ، از جمله رد کردن ارائه دهید. نقاط قوت و ضعف اصلی مقاله را برجسته کنید ، نحوه آشتی نظرات و نمرات بررسی متضاد را روشن کنید ، نشان دهید که آیا نگرانی ها با موفقیت در توهین رسیدگی شده است و توجیهی روشن از تصمیم شما ارائه می دهد. اگر با برخی از اظهارات داوری (متا) مخالف هستید ، می توانید در بررسی متا را نشان دهید. لطفاً اطمینان حاصل کنید که نویسندگان ، صندلی های برنامه و عموم می توانند دلیل تصمیم شما را درک کنند.

روش پیشنهادی مورد توجه زیادی است و به نظر می رسد عملکرد مناسبی را ارائه می دهد. با این حال ، برخی از جنبه های طراحی آزمایشی پس از توبیخ هنوز مشخص نیست. علاوه بر این ، ممکن است نگرانی از اعتبار مطالعه مربوط به انتخاب آستانه نهایی مورد استفاده برای محاسبه معیارهای ارزیابی وجود داشته باشد.