概述
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
深入探討
史丹佛大學研究人員在 2017 年《自然》雜誌上進行的一項關鍵研究使用大約 130,000 張臨床圖像訓練了一個卷積神經網絡,結果表明該網絡可以對皮膚癌(包括黑色素瘤和癌)進行分類,準確度可與 21 名經過委員會認證的皮膚科醫生一樣準確。從那時起,模型就內建在智慧型手機應用程式和皮膚鏡檢查工具中,用於分析皮膚科醫生用來檢查痣的放大的偏振圖像。我們的承諾是分診:幫助初級保健醫生和患者決定哪些部位需要緊急活檢,特別是在皮膚科醫生稀缺的地方。但皮膚科暴露了一個明顯的公平問題。大多數訓練資料集以淺色皮膚為主,因此模型通常在深色膚色上表現較差,其中黑色素瘤較為罕見,但如果錯過,則更致命。建立 Fitzpatrick 17k 和 Diverse Dermatology Images 等多樣化資料集現在是首要任務。
現實世界的實施
2017 年史丹佛大學 CNN 從約 13 萬張圖像中對皮膚癌進行了分類,與 21 位經過委員會認證的皮膚科醫生的結果相當,這是該領域的基礎性結果。
智慧型手機和皮膚鏡應用程式可以對可疑的痣進行分類,幫助患者和初級保健醫生決定哪些部位需要緊急專家檢查。
全身攝影系統使用人工智慧來比較一段時間內的影像,並標記高風險患者中新的或變化的病變。
正在建立 Fitzpatrick 17k 和 Diverse Dermatology Images 等多樣化資料集,以減少人工智慧對深色膚色的準確度較差的情況。
人工智慧在皮膚科的未來
受監管的分流應用程式和皮膚鏡檢查助理將成為常規的第一線工具,將專家級篩檢擴展到全科診所和服務不足的領域。透過不同的數據集縮小膚色性能差距是該領域的核心公平挑戰和積極的研究推動。具有人工智慧變化檢測功能的全身攝影將隨著時間的推移追蹤每一顆痣,而將影像與患者病史甚至遺傳風險相結合的多模態模型應該會讓真正需要活檢的人更加清晰。
付諸實踐
為什麼這很重要
- 背景與規則. 產業背景決定了人工智慧創意能否與現實接觸。
- 品質管控. 領域約束會影響可接受的錯誤率和監督模型。
- 配裝選擇. 成功的部署使技術能力與第一線工作流程保持一致。
留意
- 監理要求可能會使原本強大的原型失效。
- 歷史資料可能會編碼損害特定社區的偏見。
- 遺留系統可能會造成整合瓶頸和隱性成本。
後續步驟
- 讓領域專家參與從問題框架到評估的整個過程。
- 在啟動前設計審計追蹤和文件。
- 儘早驗證合規性和安全義務。
- 分階段推出,並有明確的停止和回滾標準。
不斷探索
常見問題
What is AI in Dermatology?
皮膚是人體最大、最明顯的器官,因此皮膚病學非常適合基於圖像的人工智慧。深度學習可以從照片中對皮膚病變(包括潛在致命的黑色素瘤)進行分類,其水平可與經過委員會認證的皮膚科醫生相媲美。
2017 年具有里程碑意義的史丹佛皮膚病學研究證明了什麼?
史丹佛大學 CNN 接受了大約 13 萬張圖像的訓練,在皮膚癌分類方面的診斷性能與 21 名經過委員會認證的皮膚科醫生的診斷性能相當,這是該領域的基本概念證明。
皮膚科人工智慧中記錄的主要公平問題是什麼?
訓練資料集歷來以淺色皮膚為主,因此模型在深色皮膚上的表現經常不佳,在深色皮膚上,黑色素瘤較為罕見,但如果錯過,往往會致命。
皮膚鏡檢查為標準皮膚照片添加了什麼?
皮膚鏡檢查利用放大和偏振光來暴露肉眼無法看到的皮膚表面下的色素和血管結構,為人工智慧提供更豐富的分析功能。
皮膚病學模型被發現在學習什麼虛假捷徑?
由於手術皮膚標記和標尺主要出現在準備活檢的癌症影像中,因此一些模型學會了將這些標記與惡性腫瘤而不是病變本身聯繫起來。
這些模型通常驗證的「黃金標準」是什麼?
可靠的皮膚病學人工智慧根據活檢確認的診斷(組織病理學黃金標準)進行驗證,而不是僅根據未經驗證的視覺標籤進行驗證。