AI dalam Dermatologi
Kulit adalah organ tubuh yang terbesar dan paling terlihat, sehingga dermatologi merupakan pilihan yang tepat untuk AI berbasis gambar.
Ikhtisar
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Menyelam Lebih Dalam
Sebuah studi penting di Nature pada tahun 2017 yang dilakukan oleh para peneliti Stanford melatih jaringan saraf konvolusional pada sekitar 130.000 gambar klinis dan menunjukkan bahwa jaringan tersebut dapat mengklasifikasikan kanker kulit, termasuk melanoma dan karsinoma, seakurat 21 dokter kulit bersertifikat. Sejak itu, model-model telah dibangun ke dalam aplikasi ponsel cerdas dan alat dermoskopi yang menganalisis gambar terpolarisasi yang diperbesar yang digunakan dokter kulit untuk memeriksa tahi lalat. Janjinya adalah triase: membantu dokter dan pasien layanan primer memutuskan tempat mana yang memerlukan biopsi segera, terutama ketika dokter kulit langka. Namun dermatologi telah mengungkap masalah keadilan yang mencolok. Sebagian besar set data pelatihan didominasi oleh kulit terang, sehingga model sering kali memiliki performa lebih buruk pada warna kulit lebih gelap, dengan melanoma lebih jarang terjadi namun lebih mematikan jika diabaikan. Membangun kumpulan data yang beragam seperti Fitzpatrick 17k dan Diverse Dermatology Images kini menjadi prioritas utama.
Wawasan Teknis
Sistem ini biasanya berupa CNN atau transformator penglihatan yang dilatih berdasarkan gambar klinis dan dermoskopik yang diberi label, sering kali divalidasi berdasarkan diagnosis yang dikonfirmasi dengan biopsi (standar emas). Dermoskopi menambahkan pembesaran dan cahaya terpolarisasi silang yang memperlihatkan pigmen bawah permukaan dan pola pembuluh darah yang tidak terlihat oleh mata telanjang. Salah satu kelemahan umum: model dapat mempelajari jalan pintas palsu, seperti menandai lesi yang difoto di sebelah penanda kulit bedah atau penggaris sebagai ganas, karena penanda tersebut sebagian besar muncul pada gambar kanker selama pelatihan.
Dampak Strategis
Context and rules
Konteks industri menentukan apakah ide AI dapat bertahan jika bersentuhan dengan kenyataan.
Quality control
Batasan domain memengaruhi tingkat kesalahan dan model pengawasan yang dapat diterima.
Build choices
Penerapan yang berhasil menyelaraskan kemampuan teknis dengan alur kerja garis depan.
Masa Depan AI dalam Dermatologi
Aplikasi triase yang teregulasi dan asisten dermoskopi akan menjadi alat lini pertama yang rutin, memperluas pemeriksaan tingkat spesialis ke praktik umum dan area yang kurang terlayani. Menutup kesenjangan kinerja warna kulit melalui beragam kumpulan data merupakan tantangan ekuitas utama dan dorongan penelitian yang aktif. Fotografi seluruh tubuh dengan deteksi perubahan AI akan melacak setiap tahi lalat dari waktu ke waktu, dan model multimodal yang menggabungkan gambar dengan riwayat pasien dan bahkan risiko genetik akan mempertajam siapa yang benar-benar membutuhkan biopsi.
Implementasi Dunia Nyata
Stanford CNN tahun 2017 mengklasifikasikan kanker kulit dari ~130.000 gambar setara dengan 21 dokter kulit bersertifikat, sebuah hasil dasar dalam bidang ini.
Aplikasi ponsel cerdas dan dermoskopi melakukan triase pada tahi lalat yang mencurigakan, membantu pasien dan dokter layanan primer memutuskan apa yang memerlukan tinjauan spesialis segera.
Sistem fotografi seluruh tubuh menggunakan AI untuk membandingkan gambar dari waktu ke waktu dan menandai lesi baru atau lesi yang berubah pada pasien berisiko tinggi.
Beragam kumpulan data seperti Fitzpatrick 17k dan Diverse Dermatology Images sedang dibuat untuk mengurangi akurasi AI yang lebih buruk pada warna kulit yang lebih gelap.
Risiko & Pagar Pembatas
Persyaratan peraturan dapat membatalkan prototipe yang kuat.
Data historis mungkin menunjukkan bias yang merugikan komunitas tertentu.
Sistem lama dapat menimbulkan hambatan integrasi dan biaya tersembunyi.
Peta Jalan Implementasi
Libatkan pakar domain mulai dari penyusunan masalah hingga evaluasi.
Rancang jalur audit dan dokumentasi sebelum peluncuran.
Validasi kewajiban kepatuhan dan keselamatan sejak dini.
Peluncuran secara bertahap dengan kriteria berhenti dan kembalikan yang jelas.
Terus Menjelajah
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 di Luar Angkasa dan Satelit
Pertanyaan yang sering diajukan
What is AI in Dermatology?
Kulit adalah organ tubuh yang terbesar dan paling terlihat, sehingga dermatologi merupakan pilihan yang tepat untuk AI berbasis gambar. Pembelajaran mendalam dapat mengklasifikasikan lesi kulit, termasuk melanoma yang berpotensi mematikan, dari foto pada tingkat yang dapat menyaingi dokter kulit bersertifikat.
Apa yang ditunjukkan oleh studi dermatologi Stanford pada tahun 2017?
Dilatih pada sekitar 130.000 gambar, Stanford CNN mencocokkan kinerja diagnostik 21 dokter kulit bersertifikat dalam mengklasifikasikan kanker kulit, sebuah bukti dasar konsep di bidang tersebut.
Apa masalah keadilan utama yang didokumentasikan dalam AI dermatologi?
Kumpulan data pelatihan secara historis didominasi oleh kulit yang lebih terang, sehingga model sering kali memiliki performa buruk pada kulit yang lebih gelap, tempat melanoma lebih jarang terjadi tetapi lebih sering berakibat fatal jika terlewatkan.
Apa yang ditambahkan dermoskopi pada foto kulit standar?
Dermoskopi menggunakan pembesaran dan cahaya terpolarisasi untuk mengekspos pigmen dan struktur pembuluh darah di bawah permukaan kulit yang tidak dapat dilihat dengan mata telanjang, sehingga memberikan fitur AI yang lebih kaya untuk dianalisis.
Jalan pintas palsu apa yang telah dipelajari oleh model dermatologi?
Karena penanda dan penggaris kulit pada pembedahan muncul terutama pada gambar kanker yang sedang dipersiapkan untuk biopsi, beberapa model belajar untuk mengasosiasikan penanda tersebut dengan keganasan, bukan dengan lesi itu sendiri.
Apa 'standar emas' yang biasanya digunakan untuk memvalidasi model ini?
AI dermatologi yang andal divalidasi berdasarkan diagnosis yang dikonfirmasi oleh biopsi, yang merupakan standar emas histopatologi, dan bukan hanya berdasarkan label visual yang tidak diverifikasi.