AI w dermatologii
Skóra to największy i najbardziej widoczny organ ciała, dlatego dermatologia w naturalny sposób pasuje do sztucznej inteligencji opartej na obrazach.
Przegląd
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Głębokie nurkowanie
W kluczowym badaniu Nature przeprowadzonym w 2017 r. przez naukowców ze Stanford wytrenowano splotową sieć neuronową na podstawie około 130 000 obrazów klinicznych i wykazano, że może ona klasyfikować nowotwory skóry, w tym czerniaka i nowotwory, z taką samą dokładnością, jak 21 certyfikowanych dermatologów. Od tego czasu modele zostały wbudowane w aplikacje na smartfony i narzędzia do dermoskopii, które analizują powiększone, spolaryzowane obrazy wykorzystywane przez dermatologów do sprawdzania pieprzyków. Obietnicą jest segregacja: pomoc lekarzom podstawowej opieki zdrowotnej i pacjentom w podjęciu decyzji, które miejsca wymagają pilnej biopsji, szczególnie tam, gdzie brakuje dermatologów. Ale dermatologia ujawniła rażący problem sprawiedliwości. Większość zbiorów danych szkoleniowych jest zdominowana przez jasną karnację, dlatego modele często działają gorzej w przypadku ciemniejszych karnacji, gdzie czerniak jest rzadszy, ale bardziej śmiercionośny, jeśli zostanie pominięty. Tworzenie różnorodnych zbiorów danych, takich jak Fitzpatrick 17k i Diverse Dermatology Images, jest obecnie głównym priorytetem.
Wgląd techniczny
Systemy te to zazwyczaj CNN lub transformatory wzroku szkolone na oznakowanych obrazach klinicznych i dermoskopowych, często weryfikowane na podstawie diagnoz potwierdzonych biopsją (złoty standard). Dermoskopia dodaje powiększenie i światło spolaryzowane krzyżowo, które ujawnia pigmenty podpowierzchniowe i wzory naczyniowe niewidoczne gołym okiem. Znana pułapka: modele mogą uczyć się fałszywych skrótów, takich jak oznaczanie zmian chorobowych fotografowanych obok chirurgicznego znacznika skóry lub linijki jako złośliwych, ponieważ takie znaczniki pojawiały się głównie na obrazach nowotworów podczas szkolenia.
Wpływ strategiczny
Kontekst i zasady
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
Kontrola jakości
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
Buduj wybory
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Przyszłość sztucznej inteligencji w dermatologii
Aplikacje do segregacji pacjentów i asystenci dermoskopii staną się rutynowymi narzędziami pierwszej linii, rozszerzając badania przesiewowe na poziomie specjalistycznym na praktykę ogólną i obszary o niedostatecznym zasięgu. Likwidacja różnic w wydajności w zakresie odcienia skóry za pomocą różnorodnych zbiorów danych jest głównym wyzwaniem stojącym przed tą dziedziną i aktywnym impulsem badawczym. Fotografia całego ciała z wykrywaniem zmian AI będzie z czasem śledzić każdy pieprzyk, a modele multimodalne łączące obrazy z historią pacjenta, a nawet ryzykiem genetycznym powinny określić, kto naprawdę potrzebuje biopsji.
Implementacja w świecie rzeczywistym
CNN Stanforda z 2017 r. sklasyfikowało nowotwory skóry na podstawie około 130 000 obrazów na równi z wynikami 21 certyfikowanych dermatologów, co stanowi fundamentalny wynik w tej dziedzinie.
Aplikacje na smartfony i dermoskopie segregują podejrzane pieprzyki, pomagając pacjentom i lekarzom podstawowej opieki zdrowotnej w podjęciu decyzji, co wymaga pilnej specjalistycznej oceny.
Systemy fotografii całego ciała wykorzystują sztuczną inteligencję do porównywania obrazów w czasie i oznaczania nowych lub zmieniających się zmian u pacjentów wysokiego ryzyka.
Tworzone są różnorodne zbiory danych, takie jak Fitzpatrick 17k i Diverse Dermatology Images, aby zmniejszyć gorszą dokładność sztucznej inteligencji w przypadku ciemniejszych odcieni skóry.
Zagrożenia i poręcze
Wymogi prawne mogą unieważnić mocne prototypy.
Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Plan wdrożenia
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
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
Następny poradnik
Sztuczna inteligencja w kosmosie i satelitach
Często zadawane pytania
What is AI in Dermatology?
Skóra to największy i najbardziej widoczny organ ciała, dlatego dermatologia w naturalny sposób pasuje do sztucznej inteligencji opartej na obrazach. Głębokie uczenie się pozwala klasyfikować zmiany skórne, w tym potencjalnie śmiertelnego czerniaka, na podstawie zdjęć na poziomie porównywalnym z certyfikowanymi dermatologami.
Co wykazało przełomowe badanie dermatologiczne przeprowadzone w Stanford w 2017 r.?
Przeszkolony na podstawie około 130 000 obrazów stanford CNN dorównał wynikom diagnostycznym 21 certyfikowanych dermatologów w klasyfikacji nowotworów skóry, co stanowi podstawowy dowód słuszności koncepcji w tej dziedzinie.
Jaki jest główny problem dotyczący sprawiedliwości udokumentowany w dermatologicznej sztucznej inteligencji?
W przeszłości zbiory danych szkoleniowych były zdominowane przez jaśniejszą skórę, dlatego modele często osiągały gorsze wyniki w przypadku ciemniejszej skóry, gdzie czerniak występuje rzadziej, ale częściej jest śmiertelny, jeśli zostanie pominięty.
Co dermoskopia wnosi do standardowej fotografii skóry?
Dermoskopia wykorzystuje powiększenie i światło spolaryzowane do odsłonięcia pigmentów i struktur naczyniowych pod powierzchnią skóry, których nie widać gołym okiem, dzięki czemu AI może analizować bogatsze funkcje.
Na jakim fałszywym skrócie przyłapano modele dermatologiczne na uczeniu się?
Ponieważ chirurgiczne markery i linijki skórne pojawiały się głównie na obrazach nowotworów przygotowywanych do biopsji, niektóre modele nauczyły się kojarzyć te markery z nowotworem złośliwym, a nie z samą zmianą chorobową.
Jaki jest „złoty standard”, według którego zwykle sprawdza się te modele?
Niezawodna sztuczna inteligencja dermatologiczna jest weryfikowana na podstawie diagnoz potwierdzonych biopsją, co stanowi złoty standard w histopatologii, a nie wyłącznie na podstawie niezweryfikowanych etykiet wizualnych.