概述
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
深入探讨
斯坦福大学研究人员在 2017 年《自然》杂志上进行的一项关键研究使用大约 130,000 张临床图像训练了一个卷积神经网络，结果表明该网络可以对皮肤癌（包括黑色素瘤和癌）进行分类，准确度可与 21 名经过委员会认证的皮肤科医生一样准确。从那时起，模型就被内置到智能手机应用程序和皮肤镜检查工具中，用于分析皮肤科医生用来检查痣的放大的偏振图像。我们的承诺是分诊：帮助初级保健医生和患者决定哪些部位需要紧急活检，特别是在皮肤科医生稀缺的地方。但皮肤科暴露了一个明显的公平问题。大多数训练数据集以浅色皮肤为主，因此模型通常在深色肤色上表现较差，其中黑色素瘤较为罕见，但如果错过，则更致命。构建 Fitzpatrick 17k 和 Diverse Dermatology Images 等多样化数据集现在是首要任务。
现实世界的实施
2017 年斯坦福大学 CNN 从约 130,000 张图像中对皮肤癌进行了分类，与 21 位经过委员会认证的皮肤科医生的结果相当，这是该领域的基础性结果。
智能手机和皮肤镜应用程序可以对可疑的痣进行分类，帮助患者和初级保健医生决定哪些部位需要紧急专家检查。
全身摄影系统使用人工智能来比较一段时间内的图像，并标记高危患者中新的或变化的病变。
正在构建 Fitzpatrick 17k 和 Diverse Dermatology Images 等多样化数据集，以减少人工智能对深色肤色的准确度较差的情况。
人工智能在皮肤科的未来
受监管的分诊应用程序和皮肤镜检查助手将成为常规的一线工具，将专家级筛查扩展到全科诊所和服务不足的领域。通过不同的数据集缩小肤色性能差距是该领域的核心公平挑战和积极的研究推动。具有人工智能变化检测功能的全身摄影将随着时间的推移追踪每一颗痣，而将图像与患者病史甚至遗传风险相结合的多模态模型应该会让真正需要活检的人更加清晰。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
What is AI in Dermatology?
皮肤是人体最大、最明显的器官，因此皮肤病学非常适合基于图像的人工智能。深度学习可以从照片中对皮肤病变（包括潜在致命的黑色素瘤）进行分类，其水平可与经过委员会认证的皮肤科医生相媲美。
2017 年具有里程碑意义的斯坦福皮肤病学研究证明了什么？
斯坦福大学 CNN 接受了大约 130,000 张图像的训练，在皮肤癌分类方面的诊断性能与 21 名经过委员会认证的皮肤科医生的诊断性能相当，这是该领域的基本概念证明。
皮肤科人工智能中记录的主要公平问题是什么？
训练数据集历来以浅色皮肤为主，因此模型在深色皮肤上的表现经常不佳，在深色皮肤上，黑色素瘤较为罕见，但如果错过，往往会致命。
皮肤镜检查为标准皮肤照片添加了什么？
皮肤镜检查利用放大和偏振光来暴露肉眼无法看到的皮肤表面下的色素和血管结构，为人工智能提供更丰富的分析功能。
皮肤病学模型被发现在学习什么虚假捷径？
由于手术皮肤标记和标尺主要出现在准备活检的癌症图像中，因此一些模型学会了将这些标记与恶性肿瘤而不是病变本身联系起来。
这些模型通常验证的“黄金标准”是什么？
可靠的皮肤病学人工智能根据活检确认的诊断（组织病理学黄金标准）进行验证，而不是仅根据未经验证的视觉标签进行验证。