개요
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
심층 분석
스탠포드 연구진이 진행한 2017년 Nature 연구에서는 약 130,000개의 임상 이미지에 대해 컨볼루셔널 신경망을 훈련했으며 흑색종과 암종을 포함한 피부암을 21명의 공인 피부과 전문의만큼 정확하게 분류할 수 있음을 보여주었습니다. 그 이후로 피부과 전문의가 점을 검사하는 데 사용하는 확대된 편광 이미지를 분석하는 스마트폰 앱과 피부경 검사 도구에 모델이 내장되었습니다. 약속은 분류입니다. 특히 피부과 의사가 부족한 곳에서 일차 진료 의사와 환자가 긴급 생검이 필요한 부위를 결정하도록 돕습니다. 그러나 피부과에서는 눈에 띄는 공정성 문제가 드러났습니다. 대부분의 훈련 데이터 세트는 밝은 피부에 의해 지배되므로 모델은 종종 더 어두운 피부색에서 성능이 저하됩니다. 흑색종은 드물지만 놓칠 경우 치명적입니다. Fitzpatrick 17k 및 Diverse Dermatology Images와 같은 다양한 데이터세트를 구축하는 것이 이제 주요 우선순위입니다.
실제 구현
2017년 스탠포드 CNN은 이사회 인증을 받은 피부과 의사 21명과 동등한 약 130,000개의 이미지에서 피부암을 분류했는데, 이는 이 분야의 기본 결과입니다.
스마트폰 및 피부경 검사 앱은 의심스러운 점을 분류하여 환자와 주치의가 긴급 전문가 검토가 필요한지 결정하는 데 도움을 줍니다.
전신 사진 촬영 시스템은 AI를 사용하여 시간 경과에 따른 이미지를 비교하고 고위험 환자의 새로운 병변이나 변화하는 병변을 표시합니다.
Fitzpatrick 17k 및 Diverse Dermatology Images와 같은 다양한 데이터 세트는 어두운 피부 톤에서 AI 정확도가 떨어지는 것을 줄이기 위해 구축되고 있습니다.
피부과 AI의 미래
규제된 분류 앱과 피부경 검사 보조원은 일상적인 일선 도구가 되어 전문가 수준의 검사를 일반 진료 및 소외된 지역으로 확대할 것입니다. 다양한 데이터 세트를 통해 피부색 성능 격차를 줄이는 것이 해당 분야의 핵심 자산 과제이자 활발한 연구 추진입니다. AI 변화 감지 기능을 갖춘 전신 사진은 시간이 지남에 따라 모든 점을 추적하며, 이미지와 환자 이력, 심지어 유전적 위험까지 결합한 다중 모드 모델은 진정으로 생검이 필요한 사람을 명확하게 밝혀줄 것입니다.
실천에 옮기기
왜 중요한가요?
- 맥락과 규칙. 산업적 맥락은 AI 아이디어가 현실과의 접촉에서 살아남는지 여부를 결정합니다.
- 품질 관리. 도메인 제약 조건은 허용 가능한 오류율과 감독 모델에 영향을 미칩니다.
- 빌드 선택. 성공적인 배포는 기술 역량을 일선 워크플로에 맞춰 조정합니다.
조심하세요
- 규제 요구 사항으로 인해 강력한 프로토타입이 무효화될 수 있습니다.
- 과거 데이터에는 특정 커뮤니티에 해를 끼치는 편견이 포함될 수 있습니다.
- 레거시 시스템은 통합 병목 현상과 숨겨진 비용을 발생시킬 수 있습니다.
다음 단계
- 문제 프레이밍부터 평가까지 도메인 전문가를 참여시킵니다.
- 출시 전에 감사 추적 및 문서를 설계하세요.
- 규정 준수 및 안전 의무를 조기에 검증하십시오.
- 명확한 중지 및 롤백 기준을 사용하여 단계적으로 롤아웃합니다.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the AI in Dermatology quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
What is AI in Dermatology?
피부는 신체에서 가장 크고 가장 눈에 띄는 기관이므로 피부과는 이미지 기반 AI에 자연스럽게 적합합니다. 딥 러닝은 사진에서 잠재적으로 치명적인 흑색종을 포함한 피부 병변을 공인 피부과 전문의와 경쟁할 수 있는 수준으로 분류할 수 있습니다.
획기적인 2017년 스탠포드 피부과 연구는 무엇을 보여주었습니까?
약 130,000개의 이미지를 학습한 스탠포드 CNN은 피부암 분류에서 피부과 전문의 21명의 진단 성능과 일치했으며, 이는 해당 분야의 기본 개념 증명입니다.
피부과 AI에 기록된 주요 공정성 문제는 무엇입니까?
훈련 데이터 세트는 역사적으로 밝은 피부에 의해 지배되었기 때문에 모델은 종종 흑색종이 더 드물지만 놓치면 치명적인 경우가 많은 어두운 피부에서 성능이 저하되는 경우가 많습니다.
피부경검사는 표준 피부 사진에 무엇을 추가합니까?
더모스코피(Dermoscopy)는 확대와 편광을 이용해 육안으로는 볼 수 없는 피부 표면 아래의 색소와 혈관 구조를 노출시켜 AI가 분석할 수 있는 더욱 풍부한 기능을 제공합니다.
피부과 모델이 학습한 가짜 지름길은 무엇입니까?
수술용 피부 마커와 눈금자는 주로 생검을 위해 준비되는 암의 이미지에 나타나기 때문에 일부 모델은 이러한 마커를 병변 자체보다는 악성 종양과 연관시키는 방법을 학습했습니다.
이러한 모델이 일반적으로 검증되는 '최적 표준'은 무엇입니까?
신뢰할 수 있는 피부과 AI는 검증되지 않은 시각적 라벨만이 아닌 조직병리학의 표준인 생검으로 확인된 진단을 기준으로 검증됩니다.