ИИ в дерматологии
Кожа — самый большой и наиболее видимый орган тела, поэтому дерматология естественным образом подходит для искусственного интеллекта на основе изображений.
Обзор
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Глубокое погружение
Важнейшее исследование Nature, проведенное в 2017 году исследователями из Стэнфорда, обучило сверточную нейронную сеть примерно на 130 000 клинических изображениях и показало, что она может классифицировать рак кожи, включая меланому и карциному, так же точно, как 21 сертифицированный дерматолог. С тех пор модели были встроены в приложения для смартфонов и инструменты дерматоскопии, которые анализируют увеличенные поляризованные изображения, которые дерматологи используют для осмотра родинок. Перспективой является сортировка: помочь врачам первичной медико-санитарной помощи и пациентам решить, какие участки нуждаются в срочной биопсии, особенно там, где дерматологов не хватает. Но дерматология выявила очевидную проблему справедливости. В большинстве наборов обучающих данных преобладает светлая кожа, поэтому модели часто хуже работают с более темными тонами кожи, где меланома встречается реже, но при ее промахе она более смертоносна. Создание разнообразных наборов данных, таких как Fitzpatrick 17k и Diverse Dermatology Images, теперь является главным приоритетом.
Техническая информация
Эти системы, как правило, представляют собой CNN или преобразователи зрения, обученные на маркированных клинических и дерматоскопических изображениях, часто подтверждаемые диагнозами, подтвержденными биопсией (золотой стандарт). Дерматоскопия добавляет увеличение и кросс-поляризованный свет, который выявляет подповерхностный пигмент и сосудистые структуры, невидимые невооруженным глазом. Известная ловушка: модели могут научиться использовать ложные ярлыки, например, отмечать поражения, сфотографированные рядом с хирургическим маркером кожи или линейкой, как злокачественные, поскольку такие маркеры появлялись в основном на изображениях рака во время обучения.
Стратегическое воздействие
Контекст и правила
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
Контроль качества
Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
Выбор сборки
Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.
Будущее искусственного интеллекта в дерматологии
Регулируемые приложения для сортировки и помощники по дерматоскопии станут рутинными инструментами первой линии, расширяя скрининг на уровне специалиста на общую практику и недостаточно обслуживаемые области. Устранение разрыва в производительности с помощью разнообразных наборов данных является главной задачей в этой области и активным исследовательским шагом. Фотография всего тела с обнаружением изменений ИИ позволит отслеживать каждую родинку с течением времени, а мультимодальные модели, сочетающие изображения с историей пациента и даже генетическим риском, должны помочь определить, кто действительно нуждается в биопсии.
Реальная реализация
В 2017 году Stanford CNN классифицировал рак кожи по примерно 130 000 изображений наравне с 21 сертифицированным дерматологом, что является основополагающим результатом в этой области.
Приложения для смартфонов и дерматоскопии сортируют подозрительные родинки, помогая пациентам и врачам первичной медико-санитарной помощи решить, что требует срочного обследования у специалиста.
Системы фотографии всего тела используют искусственный интеллект для сравнения изображений с течением времени и выявления новых или меняющихся поражений у пациентов из группы высокого риска.
Разнообразные наборы данных, такие как Fitzpatrick 17k и Diverse Dermatology Images, создаются для снижения точности искусственного интеллекта на более темных тонах кожи.
Риски и ограничения
Нормативные требования могут сделать недействительными сильные прототипы.
Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.
Дорожная карта реализации
Привлекайте экспертов в предметной области от постановки проблемы до оценки.
Разработайте журналы аудита и документацию перед запуском.
Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
Развертывание поэтапно с четкими критериями остановки и отката.
Продолжайте исследовать
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
Следующее руководство
ИИ в космосе и спутниках
Часто задаваемые вопросы
What is AI in Dermatology?
Кожа — самый большой и наиболее видимый орган тела, поэтому дерматология естественным образом подходит для искусственного интеллекта на основе изображений. Глубокое обучение может классифицировать поражения кожи, включая потенциально смертельную меланому, по фотографиям на уровне, который может соперничать с сертифицированными дерматологами.
Что продемонстрировало знаковое Стэнфордское дерматологическое исследование 2017 года?
Обученный примерно на 130 000 изображениях, Стэнфордский CNN сопоставил диагностические результаты 21 сертифицированного дерматолога в классификации рака кожи, что является основополагающим доказательством концепции в этой области.
Какая серьезная проблема справедливости зафиксирована в дерматологическом искусственном интеллекте?
В наборах обучающих данных исторически преобладала более светлая кожа, поэтому модели часто неэффективны на более темной коже, где меланома встречается реже, но ее промах чаще приводит к летальному исходу.
Что дерматоскопия добавляет к стандартной фотографии кожи?
В дерматоскопии используется увеличение и поляризованный свет, чтобы обнажить пигмент и сосудистые структуры под поверхностью кожи, которые не видны невооруженным глазом, что дает ИИ более широкие возможности для анализа.
Какой ложный ярлык научили дерматологические модели?
Поскольку хирургические маркеры и линейки кожи появлялись в основном на изображениях раковых опухолей, подготовленных к биопсии, некоторые модели научились связывать эти маркеры со злокачественным новообразованием, а не с самим поражением.
Каков «золотой стандарт», на соответствие которому обычно проверяются эти модели?
Надежный дерматологический искусственный интеллект проверяется на основе диагнозов, подтвержденных биопсией, золотого стандарта гистопатологии, а не только на основе непроверенных визуальных меток.