AI в дерматологията
Кожата е най-големият и най-видим орган на тялото, така че дерматологията е естествено подходяща за AI, базиран на изображения.
Преглед
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Дълбоко гмуркане
Основно проучване на Nature от 2017 г. от изследователи от Станфорд обучи конволюционна невронна мрежа на приблизително 130 000 клинични изображения и показа, че може да класифицира рак на кожата, включително меланом и карциноми, толкова точно, колкото 21 сертифицирани дерматолози. Оттогава моделите са вградени в приложения за смартфони и инструменти за дермоскопия, които анализират увеличените, поляризирани изображения, които дерматолозите използват за проверка на бенки. Обещанието е сортиране: помагане на лекарите от първичната медицинска помощ и пациентите да решат кои петна се нуждаят от спешна биопсия, особено когато дерматолозите са оскъдни. Но дерматологията разкри очевиден проблем със справедливостта. Повечето набори от данни за обучение са доминирани от светла кожа, така че моделите често се представят по-зле при по-тъмни тонове кожа, където меланомът е по-рядък, но по-смъртоносен, когато се пропусне. Изграждането на различни набори от данни като Fitzpatrick 17k и различни дерматологични изображения сега е основен приоритет.
Техническа информация
Тези системи обикновено са CNN или зрителни трансформатори, обучени на етикетирани клинични и дермоскопски изображения, често валидирани срещу потвърдени от биопсия диагнози (златният стандарт). Дермоскопията добавя увеличение и кръстосано поляризирана светлина, която разкрива подповърхностен пигмент и съдови шарки, невидими с невъоръжено око. Известна клопка: моделите могат да научат фалшиви преки пътища, като маркиране на лезии, снимани до хирургически кожен маркер или линийка, като злокачествени, тъй като такива маркери се появяват предимно в изображения на рак по време на обучение.
Стратегическо въздействие
Context and rules
Индустриалният контекст определя дали идеите за ИИ оцеляват при контакт с реалността.
Quality control
Ограниченията на домейна влияят на приемливите нива на грешки и моделите за надзор.
Build choices
Успешното внедряване съгласува техническите възможности с работните потоци на първа линия.
Бъдещето на ИИ в дерматологията
Регулираните приложения за триаж и асистентите за дермоскопия ще станат рутинни инструменти от първа линия, разширявайки скрининга на ниво специалист до обща практика и недостатъчно обслужвани области. Преодоляването на разликата в производителността на тона на кожата чрез разнообразни набори от данни е основното предизвикателство в областта на справедливостта и активен изследователски тласък. Снимката на цялото тяло с откриване на промени с изкуствен интелект ще проследи всяка бенка с течение на времето, а мултимодалните модели, комбиниращи изображения с история на пациента и дори генетичен риск, трябва да изяснят кой наистина се нуждае от биопсия.
Внедряване в реалния свят
Станфордският CNN за 2017 г. класифицира рак на кожата от ~130 000 изображения наравно с 21 сертифицирани дерматолози, основополагащ резултат за тази област.
Приложенията за смартфон и дермоскопия сортират подозрителни бенки, помагайки на пациентите и лекарите от първичната медицинска помощ да решат какво се нуждае от спешен преглед от специалист.
Системите за фотография на цялото тяло използват AI, за да сравняват изображения във времето и да маркират нови или променящи се лезии при пациенти с висок риск.
Създават се различни набори от данни като Fitzpatrick 17k и Diverse Dermatology Images, за да се намали по-лошата точност на AI при по-тъмни тонове на кожата.
Рискове и предпазни огради
Регулаторните изисквания могат да обезсилят иначе силните прототипи.
Историческите данни могат да кодират пристрастие, което вреди на определени общности.
Наследените системи могат да създадат затруднения при интеграцията и скрити разходи.
Пътна карта за изпълнение
Включете експерти в областта от рамкирането на проблема до оценката.
Проектирайте одитни пътеки и документация преди стартиране.
Ранно потвърдете задълженията за съответствие и безопасност.
Пускане на етапи с ясни критерии за спиране и връщане назад.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Dermatology quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
AI в Космоса и сателитите
Frequently asked questions
What is AI in Dermatology?
Кожата е най-големият и най-видим орган на тялото, така че дерматологията е естествено подходяща за AI, базиран на изображения. Дълбокото обучение може да класифицира кожни лезии, включително потенциално смъртоносен меланом, от снимки на ниво, което съперничи на сертифицирани дерматолози.
Какво показа забележителното дерматологично проучване на Станфорд през 2017 г.?
Обучен на около 130 000 изображения, Stanford CNN съпостави диагностичните резултати на 21 сертифицирани дерматолози при класифицирането на рак на кожата, основополагащо доказателство за концепцията в областта.
Кой е основен проблем за справедливостта, документиран в дерматологичния изкуствен интелект?
Наборите от данни за обучение исторически са били доминирани от по-светла кожа, така че моделите често не се представят по-слабо при по-тъмна кожа, където меланомът е по-рядък, но по-често смъртоносен, когато се пропусне.
Какво добавя дермоскопията към стандартната снимка на кожата?
Дермоскопията използва увеличение и поляризирана светлина, за да разкрие пигментни и съдови структури под повърхността на кожата, които не могат да се видят с невъоръжено око, като дава на AI по-богати функции за анализ.
На какъв фалшив пряк път са уловени дерматологичните модели?
Тъй като хирургически кожни маркери и линии се появяват главно в изображения на ракови заболявания, подготвени за биопсия, някои модели се научиха да свързват тези маркери със злокачествено заболяване, а не със самата лезия.
Какъв е „златният стандарт“, спрямо който обикновено се валидират тези модели?
Надеждният дерматологичен AI е валидиран срещу потвърдени от биопсия диагнози, хистопатологичният златен стандарт, а не само срещу непроверени визуални етикети.