SeterusnyaPanduan seterusnya
AI dalam Angkasa dan Satelit
industri
PANDUAN Industri
AI dalam Dermatologi
Kulit ialah organ badan yang terbesar dan paling ketara, jadi dermatologi adalah sesuai semula jadi untuk AI berasaskan imej.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Menyelam dalam
Kajian Nature 2017 yang penting oleh penyelidik Stanford melatih rangkaian saraf konvolusi pada kira-kira 130,000 imej klinikal dan menunjukkan ia boleh mengklasifikasikan kanser kulit, termasuk melanoma dan karsinoma, setepat 21 pakar dermatologi yang diperakui oleh lembaga. Sejak itu, model telah dibina ke dalam aplikasi telefon pintar dan alat dermoskopi yang menganalisis imej yang diperbesarkan dan terpolarisasi yang digunakan oleh pakar dermatologi untuk memeriksa tahi lalat. Janjinya adalah triage: membantu doktor penjagaan primer dan pesakit memutuskan tempat mana yang memerlukan biopsi segera, terutamanya di tempat pakar dermatologi jarang ditemui. Tetapi dermatologi telah mendedahkan masalah keadilan yang ketara. Kebanyakan set data latihan didominasi oleh kulit cerah, jadi model sering menunjukkan prestasi yang lebih teruk pada ton kulit yang lebih gelap, di mana melanoma jarang berlaku tetapi lebih mematikan apabila terlepas. Membina set data yang pelbagai seperti Fitzpatrick 17k dan Imej Dermatologi Pelbagai kini menjadi keutamaan utama.
Pelaksanaan Dunia Sebenar
Stanford CNN 2017 mengklasifikasikan kanser kulit daripada ~130,000 imej setanding dengan 21 pakar dermatologi yang diperakui oleh lembaga, hasil asas untuk bidang tersebut.
Apl telefon pintar dan dermoskopi mencuba tahi lalat yang mencurigakan, membantu pesakit dan doktor penjagaan primer memutuskan perkara yang memerlukan semakan pakar segera.
Sistem fotografi keseluruhan badan menggunakan AI untuk membandingkan imej dari semasa ke semasa dan menandakan lesi baharu atau berubah dalam pesakit berisiko tinggi.
Set data yang pelbagai seperti Fitzpatrick 17k dan Diverse Dermatology Images sedang dibina untuk mengurangkan ketepatan AI yang lebih lemah pada warna kulit yang lebih gelap.
Masa Depan AI dalam Dermatologi
Apl triage terkawal dan pembantu dermoskopi akan menjadi alat baris pertama rutin, memanjangkan saringan peringkat pakar kepada amalan umum dan kawasan yang kurang mendapat perkhidmatan. Menutup jurang prestasi warna kulit melalui set data yang pelbagai ialah cabaran ekuiti utama bidang dan dorongan penyelidikan yang aktif. Fotografi keseluruhan badan dengan pengesanan perubahan AI akan menjejaki setiap tahi lalat dari semasa ke semasa, dan model multimodal yang menggabungkan imej dengan sejarah pesakit dan juga risiko genetik harus menajamkan siapa yang benar-benar memerlukan biopsi.
Mempraktikkannya
Mengapa ia penting
- Konteks dan peraturan. Konteks industri menentukan sama ada idea AI bertahan dalam hubungan dengan realiti.
- Kawalan kualiti. Kekangan domain mempengaruhi kadar ralat dan model pengawasan yang boleh diterima.
- Pilihan binaan. Penerapan yang berjaya menyelaraskan keupayaan teknikal dengan aliran kerja barisan hadapan.
Berhati-hati untuk
- Keperluan kawal selia boleh membatalkan prototaip yang kukuh.
- Data sejarah mungkin mengekod berat sebelah yang membahayakan komuniti tertentu.
- Sistem warisan boleh mewujudkan kesesakan penyepaduan dan kos tersembunyi.
Langkah seterusnya
- Libatkan pakar domain daripada pembingkaian masalah hingga penilaian.
- Reka bentuk jejak audit dan dokumentasi sebelum pelancaran.
- Sahkan pematuhan dan kewajipan keselamatan lebih awal.
- Melancarkan secara berfasa dengan kriteria hentian dan undur yang jelas.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the AI in Dermatology quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
What is AI in Dermatology?
Kulit ialah organ badan yang terbesar dan paling ketara, jadi dermatologi adalah sesuai semula jadi untuk AI berasaskan imej. Pembelajaran mendalam boleh mengklasifikasikan lesi kulit, termasuk melanoma yang berpotensi membawa maut, daripada gambar pada tahap yang menyaingi pakar dermatologi yang diperakui oleh lembaga.
Apakah yang ditunjukkan oleh kajian dermatologi Stanford 2017?
Dilatih pada sekitar 130,000 imej, Stanford CNN memadankan prestasi diagnostik 21 pakar dermatologi yang diperakui oleh lembaga dalam mengklasifikasikan kanser kulit, bukti asas konsep untuk bidang tersebut.
Apakah masalah keadilan utama yang didokumenkan dalam dermatologi AI?
Set data latihan secara historis didominasi oleh kulit yang lebih cerah, jadi model kerap berprestasi rendah pada kulit yang lebih gelap, di mana melanoma jarang berlaku tetapi lebih kerap membawa maut apabila terlepas.
Apakah yang ditambah dengan dermoskopi pada gambar kulit standard?
Dermoskopi menggunakan pembesaran dan cahaya terpolarisasi untuk mendedahkan pigmen dan struktur vaskular di bawah permukaan kulit yang tidak dapat dilihat oleh mata kasar, memberikan ciri AI yang lebih kaya untuk dianalisis.
Apakah jalan pintas palsu yang model dermatologi telah ditangkap belajar?
Oleh kerana penanda dan pembaris kulit pembedahan muncul terutamanya dalam imej kanser yang sedang disediakan untuk biopsi, sesetengah model belajar untuk mengaitkan penanda tersebut dengan keganasan dan bukannya lesi itu sendiri.
Apakah 'standard emas' yang biasanya disahkan oleh model ini?
AI dermatologi yang boleh dipercayai disahkan terhadap diagnosis yang disahkan biopsi, standard emas histopatologi, dan bukannya terhadap label visual yang tidak disahkan sahaja.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini