編輯 | sunlei
釋出 | ATYUN訂閱号
人工智能已經在醫療行業的諸多領域開始發揮作用，比如眼科，内科等，并且取得了巨大成果。自2016年以來，已經有不少關于AI在皮膚科學的應用研究開展。
實際上，皮膚問題已經成為繼感冒、疲勞和頭痛之後全球最常見的疾病之一。全球約有 19 億人都在某些特定時間會患上皮膚病。僅在美國，去診所中就診的患者中，就有高達 37% 的人至少有一種皮膚問題。在中國，也超過2億皮膚病患者。但是，這些患者中，有一半以上都是由非皮膚科醫生診治的。（想想你自己有沒有親手擠過痘…）
帶狀疱疹、牛皮癬、痤瘡、腳癬、疣、白癜風等各類皮膚疾病困擾着很多人
由于全球皮膚科醫生的短缺，許多患者得不到專業的建議和治療，而全科醫生在确定病情方面也沒有專科醫生準确。于是，谷歌開發的Deep Learning System（深度學習系統）AI皮膚科醫生橫空出世。
這個來自谷歌的人工智能系統能夠對26種皮膚疾病，提供與皮膚科醫生同準确度的診斷。
人工智能，越來越能
之前關于皮膚疾病的機器學習研究，通常集中于皮膚癌的早期篩檢，特别關注皮膚的病變，判斷其為惡性抑或是良性的皮膚癌，但Google也指出，超過90%的皮膚疾病并非惡性，而解決這些常見的疾病，對于減輕全球皮膚疾病有極大的幫助。
Google 軟體工程師 Yuan Liu，和 Google Health 技術計劃經理 Peggy Bui 博士表示：我們開發了深度學習系統（DLS），以解決初級護理中最常見的皮膚問題。這項研究凸顯了 DLS 潛在的潛力，它能夠增強那些沒經過額外專業教育訓練的全科醫生的診斷能力。
AI 系統架構的示意圖，輸入皮膚照片、性别、年齡等中繼資料深度學習系統分析後，給出診斷參考診斷結果
Google指出，通常臨床案例的判定，并非一開始就能獲得絕對的答案，醫生會給出鑒别診斷（Differential Diagnosis），以一個清單排序可能的情況，鑒别診斷可以用來對病患進行額外的檢查，直到病情确診為止。而DLS就是模仿臨床醫生開鑒别診斷的想法，給出患者可能擁有的皮膚疾病排序清單，幫助分類患者以及後續的診斷和治療。
DLS的訓練資料包括了一張或多張皮膚異常的臨床圖像，還有45種像是年齡、性别和症狀等元資料，Google總共使用了17,777個去識别化的病例，分别把2010年到2017年的病例當作訓練資料，将2017年到2018年的病例則用在評估系統上，在訓練DLS的過程，也使用了超過40位皮膚科醫生提供的五萬多個鑒别診斷。
Google為了評估DLS的準确性，将其結果與三名皮膚科醫生的診斷進行比較，在3,756個病例中，把DLS的皮膚狀況排序清單和皮膚科醫生提供的鑒别診斷相比，DLS清單第一項就正确診斷的機率達71%，而前三項診斷的準确度更高達93%。
DLS 的表現與三類臨床醫生對比，AI 系統與皮膚科醫生表現相當，甚至優于醫生
DLS的診斷準确度與皮膚科醫生平均75%相當，且遠高過初級醫療人員（Primary Care Physicians）的60%，以及執業護士（Nurse Practitioners）的55%，前三診斷的準确度甚至可以幫助皮膚科醫生判斷病情。
DLS 訓練過程中，中繼資料與圖像都是十分重要的訓練元素
一視同仁的問題診斷
由于皮膚病也與皮膚類型有極大的相關性，皮膚本身的視覺評估對于診斷至關重要。是以，最後為了評估對皮膚類型的潛在偏見，團隊基于 Fitzpatrick 皮膚分型，測試了 AI 系統的性能。該皮膚分型的範圍包括 I 型（蒼白，經常灼傷，永不曬黑）到 VI 型（最深棕色，永不曬黑）。
病例原圖(左)；以綠色突出顯示 DLS 需要識别的重要區域(右)；中間圖像為組合圖像，訓示系統集中對脫發區域進行診斷而非針對前額皮膚
他們集中研究了至少占資料 5％ 的皮膚類型 Fitzpatrick II 型-IV 型的皮膚上，發現在這些類别上，DLS 的準确性相近，前 1 項診斷的精度在 69％ 到 72％ 之間，前 3 項的精度在 91％ 到 94％ 之間。
研究人員将這套系統的整體準确性，歸功于訓練語料庫中中繼資料的存在，并表示，研究結果表明，他們的方法可能“幫助提示臨床醫生考慮可能的因素”，這些可能性因素并不是他們最初進行鑒别診斷的依據。
但是，他們還指出，他們的訓練語料庫僅取自一家遠端皮膚病學服務機構。某些 Fitzpatrick 皮膚分型在其資料集中過于罕見，無法進行有意義的訓練或分析；并且由于缺乏可用的資料樣本，他們的資料集無法準确檢測出某些皮膚狀況，例如黑色素瘤。
Liu 和 Bui 寫道：我們認為，在教育訓練和驗證中，加入更多經活檢證明的皮膚癌病例，可以解決這些局限性。
其實，探索的腳步從未停止
在國外，人工智能輔助診斷皮膚病也早有先例。以色列公司曾開發的DermaCompare就是一款通過圖檔檢測黑色素瘤的應用。使用者利用手機攝像頭進行“全身攝影（Total Body Photography）”，上傳到App後，系統可診斷某種痣是否為黑色素瘤征兆。
2017年，美國斯坦福大學研究人員領銜的團隊使用13萬張與皮膚病變相關的圖像來“訓練”人工智能程式，利用深度學習技術訓練谷歌公司開發的一項人工智能程式，讓它利用圖像去分類并識别皮膚病變處屬于良性還是惡性。該模型與21名皮膚科醫生進行皮膚癌識别結果對比，兩者的表現基本處在同一水準上。
2018年，來自德國、美國和法國的一個研究小組用超過10萬張圖檔對一個人工智能（AI）系統進行了訓練，使它能夠區分出危險的皮膚病變和良性的皮膚損傷。
這台機器——一個深度學習卷積神經網絡，即CNN——後來在區分惡性黑素瘤和良性痣的照片的測試中，打敗了來自17個國家的58名皮膚科醫生。其中超過一半的皮膚科醫生是“專家”級别，有5年以上的經驗，19%的人有2到5年的工作經驗，29%的人在不到兩年的時間裡是初學者。
“CNN的表現優于大多數皮膚科醫生，”研究小組在發表于惡性良性腫瘤學年報的一篇論文中寫道。平均而言，人類皮膚科醫生準确地檢測出了86.6%的皮膚癌，而CNN的這一比例為95%。
這項研究的第一作者，海德堡大學的Holger Haenssle在一份聲明中說：“CNN檢測出了更多的黑色素瘤，這意味着它比皮膚科醫生的敏感度更高。”但是它還“誤診了一少部分惡性黑素瘤，這将導緻不必要的手術。”
當它們得到更多的病人和他們的皮膚損傷的資訊時，這些“皮膚科醫生”的表現有所改善。研究小組稱，人工智能可能是一種有用的工具，可以更快、更容易地診斷皮膚癌，并在擴散之前進行手術切除。他們補充說，每年世界上大約有232,000新發黑素瘤病例，其中有55,500人是以死亡。
在國内的皮膚科 AI 應用上，最近也有很多的進步。如湘雅大學第二醫院與丁香園、大拿科技合作，實作了首個皮膚病的人工智能診斷的輔助系統，并舉辦了新聞釋出會。該系統目前主要針對紅斑狼瘡和皮炎等一系列疾病，識别準确性高達 85% 以上。
除此之外，國内其他醫院皮膚科也逐漸開始應用 AI 診斷工具，如北京協和醫院與北京航空航天大學合作，已經開始使用皮膚鏡圖檔的自動識别， 在近期的皮膚影像繼續教育班上進行了展示；武漢協和醫院也與中國香港一家公司合作，應用該公司研發的皮膚智能檢測系統（Dr.Skin），已經可以有效地進行常見皮膚病的圖像智能診斷。中日友好醫院崔勇教授發起的中國人群皮膚影像資源庫（CSID）項目， 目标是建立可用于建立輔助診斷模式的、中國人群特異性的皮膚影像資源，它也是人工智能用于皮膚病智能診斷可利用的重要學習資源。
從醫生端走向患者端，并不簡單
從大的層面來講，皮膚病的人工智能診斷系統，主要有兩個應用方向：一是醫生，二是患者。對醫生來說，人工智能診斷系統會是極好的診斷助手，有利于提高效率，減小誤診率。而對患者來說，可以通過傻瓜式的操作，很快對自己的病情有初步了解，面向醫生端，作為輔助診斷的工具，是目前人工智能應用到皮膚科的主要場景。尤其對于診斷能力偏弱的基層醫生來說，人工智能的輔助無疑是大有幫助的。不過，人工智能輔助診斷走向患者端，實作患者自查，似乎也是必然趨勢。