AI ในโรคผิวหนัง
ผิวหนังเป็นอวัยวะที่ใหญ่ที่สุดและมองเห็นได้ชัดเจนที่สุดของร่างกาย ดังนั้นโรคผิวหนังจึงเหมาะสมตามธรรมชาติสำหรับ AI ที่ใช้ภาพ
ภาพรวม
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
เจาะลึก
การศึกษาธรรมชาติที่สำคัญในปี 2017 โดยนักวิจัยจากสแตนฟอร์ดได้ฝึกอบรมโครงข่ายประสาทเทียมแบบบิดในภาพทางคลินิกประมาณ 130,000 ภาพ และแสดงให้เห็นว่าสามารถจำแนกประเภทมะเร็งผิวหนัง รวมถึงมะเร็งผิวหนังและมะเร็งได้ แม่นยำพอๆ กับแพทย์ผิวหนังที่ได้รับการรับรองจากคณะกรรมการ 21 คน ตั้งแต่นั้นเป็นต้นมา ได้มีการสร้างแบบจำลองต่างๆ ขึ้นในแอปสมาร์ทโฟนและเครื่องมือ Dermoscopy ที่จะวิเคราะห์ภาพขยายและโพลาไรซ์ที่แพทย์ผิวหนังใช้ในการตรวจไฝ คำมั่นสัญญาคือการคัดแยก: ช่วยให้แพทย์และผู้ป่วยปฐมภูมิตัดสินใจว่าจุดใดที่จำเป็นต้องตรวจชิ้นเนื้ออย่างเร่งด่วน โดยเฉพาะอย่างยิ่งในกรณีที่แพทย์ผิวหนังขาดแคลน แต่โรคผิวหนังได้เผยให้เห็นปัญหาความเป็นธรรมที่เห็นได้ชัด ชุดข้อมูลการฝึกส่วนใหญ่มักมีผิวสีแทน ดังนั้นโมเดลมักจะทำงานได้แย่กว่าในโทนสีผิวเข้ม โดยที่มะเร็งผิวหนังจะพบได้ยากแต่อาจถึงตายได้หากพลาดไป การสร้างชุดข้อมูลที่หลากหลาย เช่น Fitzpatrick 17k และ Diverse Dermatology Images ถือเป็นเรื่องสำคัญที่สุดในขณะนี้
ข้อมูลเชิงลึกทางเทคนิค
โดยทั่วไประบบเหล่านี้คือ CNN หรือเครื่องแปลงการมองเห็นที่ได้รับการฝึกอบรมเกี่ยวกับภาพทางคลินิกและภาพเดอร์โมสโคปิกที่มีป้ายกำกับ ซึ่งมักจะได้รับการตรวจสอบกับการวินิจฉัยที่ได้รับการยืนยันจากการตรวจชิ้นเนื้อ (มาตรฐานทองคำ) Dermoscopy เพิ่มกำลังขยายและแสงโพลาไรซ์แบบ cross-polarized ซึ่งเผยให้เห็นเม็ดสีใต้พื้นผิวและรูปแบบของหลอดเลือดที่มองไม่เห็นด้วยตาเปล่า หลุมพรางที่ทราบกันดี: โมเดลสามารถเรียนรู้ทางลัดปลอม เช่น รอยโรคที่ติดธงซึ่งถ่ายถัดจากเครื่องหมายผิวหนังที่ผ่าตัดหรือไม้บรรทัดว่าเป็นมะเร็ง เนื่องจากเครื่องหมายดังกล่าวส่วนใหญ่ปรากฏในภาพมะเร็งระหว่างการฝึก
ผลกระทบเชิงกลยุทธ์
บริบทและกฎ
บริบททางอุตสาหกรรมเป็นตัวกำหนดว่าแนวคิด AI จะรอดจากการสัมผัสกับความเป็นจริงหรือไม่
การควบคุมคุณภาพ
ข้อจำกัดของโดเมนมีอิทธิพลต่ออัตราข้อผิดพลาดที่ยอมรับได้และแบบจำลองการควบคุมดูแล
สร้างทางเลือก
การปรับใช้ที่ประสบความสำเร็จจะปรับความสามารถทางเทคนิคให้สอดคล้องกับเวิร์กโฟลว์แนวหน้า
อนาคตของ AI ในด้านผิวหนัง
แอปคัดแยกที่ได้รับการควบคุมและผู้ช่วยเดอร์โมสโคปจะกลายเป็นเครื่องมือบรรทัดแรกตามปกติ โดยขยายการคัดกรองระดับผู้เชี่ยวชาญไปยังสถานปฏิบัติทั่วไปและพื้นที่ที่ด้อยโอกาส การปิดช่องว่างด้านประสิทธิภาพด้านโทนสีผิวด้วยชุดข้อมูลที่หลากหลายถือเป็นความท้าทายด้านความเท่าเทียมกันของภาคสนามและการผลักดันการวิจัยเชิงรุก การถ่ายภาพทั้งร่างกายด้วยการตรวจจับการเปลี่ยนแปลงของ AI จะติดตามทุกไฝเมื่อเวลาผ่านไป และแบบจำลองหลายรูปแบบที่รวมภาพเข้ากับประวัติผู้ป่วยและแม้แต่ความเสี่ยงทางพันธุกรรมน่าจะทำให้ผู้ที่ต้องการการตรวจชิ้นเนื้ออย่างแท้จริงคมชัดขึ้น
การใช้งานจริงในโลกแห่งความเป็นจริง
Stanford CNN ประจำปี 2017 ได้จัดประเภทมะเร็งผิวหนังจากประมาณ 130,000 ภาพ เทียบเท่ากับแพทย์ผิวหนังที่ได้รับการรับรองจากคณะกรรมการ 21 คน ซึ่งเป็นผลลัพธ์พื้นฐานสำหรับสาขานี้
แอปสมาร์ทโฟนและ Dermoscopy คัดแยกไฝที่น่าสงสัย ช่วยให้ผู้ป่วยและแพทย์ปฐมภูมิตัดสินใจว่าสิ่งใดที่ต้องได้รับการตรวจสอบโดยผู้เชี่ยวชาญอย่างเร่งด่วน
ระบบการถ่ายภาพทั้งร่างกายใช้ AI เพื่อเปรียบเทียบภาพในช่วงเวลาหนึ่ง และระบุรอยโรคใหม่หรือการเปลี่ยนแปลงในผู้ป่วยที่มีความเสี่ยงสูง
ชุดข้อมูลที่หลากหลาย เช่น Fitzpatrick 17k และ Diverse Dermatology Images กำลังถูกสร้างขึ้นเพื่อลดความแม่นยำของ AI ที่แย่ลงในโทนสีผิวคล้ำ
ความเสี่ยงและรั้ว
ข้อกำหนดด้านกฎระเบียบอาจทำให้ต้นแบบที่แข็งแกร่งเป็นโมฆะได้
ข้อมูลในอดีตอาจเข้ารหัสอคติที่เป็นอันตรายต่อชุมชนบางแห่ง
ระบบเดิมสามารถสร้างปัญหาคอขวดในการบูรณาการและต้นทุนแอบแฝงได้
แผนงานการดำเนินงาน
ให้ผู้เชี่ยวชาญโดเมนมีส่วนร่วมตั้งแต่การกำหนดกรอบปัญหาไปจนถึงการประเมิน
ออกแบบเส้นทางการตรวจสอบและเอกสารประกอบก่อนการเปิดตัว
ตรวจสอบการปฏิบัติตามข้อกำหนดและภาระผูกพันด้านความปลอดภัยตั้งแต่เนิ่นๆ
เปิดตัวเป็นระยะโดยมีเกณฑ์การหยุดและย้อนกลับที่ชัดเจน
สำรวจต่อไป
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
คำแนะนำต่อไป
AI ในอวกาศและดาวเทียม
คำถามที่พบบ่อย
What is AI in Dermatology?
ผิวหนังเป็นอวัยวะที่ใหญ่ที่สุดและมองเห็นได้ชัดเจนที่สุดของร่างกาย ดังนั้นโรคผิวหนังจึงเหมาะสมตามธรรมชาติสำหรับ AI ที่ใช้ภาพ การเรียนรู้เชิงลึกสามารถจำแนกรอยโรคที่ผิวหนัง รวมถึงมะเร็งผิวหนังที่อาจเป็นอันตรายถึงชีวิต จากภาพถ่ายในระดับที่ทัดเทียมกับแพทย์ผิวหนังที่ได้รับการรับรองจากคณะกรรมการ
การศึกษาด้านผิวหนังวิทยาของมหาวิทยาลัยสแตนฟอร์ดที่สำคัญในปี 2017 แสดงให้เห็นอะไรบ้าง
Stanford CNN ได้รับการฝึกอบรมจากรูปภาพประมาณ 130,000 ภาพ โดยเทียบเคียงประสิทธิภาพการวินิจฉัยของแพทย์ผิวหนังที่ได้รับการรับรองจากคณะกรรมการ 21 คนในการจำแนกประเภทของมะเร็งผิวหนัง ซึ่งเป็นข้อพิสูจน์พื้นฐานสำหรับแนวคิดในสาขานี้
ปัญหาด้านความเป็นธรรมที่สำคัญที่บันทึกไว้ใน AI ด้านผิวหนังคืออะไร
ในอดีตชุดข้อมูลการฝึกอบรมมักถูกครอบงำด้วยผิวที่สว่างกว่า ดังนั้นแบบจำลองจึงมักมีประสิทธิภาพต่ำกว่าบนผิวสีเข้ม ซึ่งมะเร็งผิวหนังจะพบได้ยาก แต่มักจะเป็นอันตรายถึงชีวิตหากพลาดไป
Dermoscopy เพิ่มอะไรให้กับภาพถ่ายผิวมาตรฐาน?
Dermoscopy ใช้กำลังขยายและแสงโพลาไรซ์เพื่อแสดงเม็ดสีและโครงสร้างหลอดเลือดใต้ผิวหนังที่ตาเปล่าไม่สามารถมองเห็นได้ ทำให้ AI มีคุณลักษณะในการวิเคราะห์ที่สมบูรณ์ยิ่งขึ้น
ทางลัดปลอมอะไรที่ทำให้โมเดลผิวหนังได้เรียนรู้?
เนื่องจากเครื่องหมายและไม้บรรทัดสำหรับการผ่าตัดปรากฏอยู่ในรูปภาพของมะเร็งที่กำลังเตรียมการตัดชิ้นเนื้อเป็นหลัก โมเดลบางรุ่นจึงเรียนรู้ที่จะเชื่อมโยงเครื่องหมายเหล่านั้นกับเนื้อร้ายมากกว่าตัวรอยโรค
'มาตรฐานทองคำ' ที่โมเดลเหล่านี้มักจะได้รับการตรวจสอบความถูกต้องเทียบกับอะไร
AI ด้านผิวหนังที่เชื่อถือได้ได้รับการตรวจสอบกับการวินิจฉัยที่ได้รับการยืนยันจากการตรวจชิ้นเนื้อ ซึ่งเป็นมาตรฐานระดับทองของจุลพยาธิวิทยา แทนที่จะเทียบกับฉลากภาพที่ไม่ได้รับการยืนยันเพียงอย่างเดียว