“人工智能诊断皮肤癌准确率达91%”

本篇文章2409字，读完约6分钟

如果有一天你突然发现身上的痣有点奇怪，你会怎么办？ 这可能是危险的信号，但是很多人由于工作忙、去医院不方便等各种理由，经常不马上去检查。 现在，人工智能对这个问题提供了更好的处理方案:将来，我们可能会在手机上下载app，打开摄像头给机械医生看，让他们看看这是否是皮肤癌的早期症状。

斯坦福大学的联合研究小组开发了皮肤癌诊断精度几乎不变的人类医生人工智能，并在1月底的《自然》杂志的封面论文上刊登了相关成果，题为“达到皮肤科医生水平的皮肤癌筛查深度神经互联网”( dermatologist-levelce ) 他们用深度学习的方法，用近13万枚痣、皮疹和其他皮肤病变的影像训练机器识别了其中的皮肤癌症状，经过21名皮肤科医生的诊断结果和打针后，他们发现这种深度的神经互联网诊断精度比人类医生高91%以上。

深度学习为医学添砖加瓦

在中国，皮肤癌不是癌症家族中特别引人注目的成员。 这是因为黄种人皮肤癌的发病率比白人低。 但是，在美国皮肤癌是最常见的癌症之一。 每年约有540万美国人罹患皮肤癌。 以黑色素瘤为例，在5年以内的早期阶段检查并接受治疗的话，生存率在97%左右，但是到了末期生存率会下降到14%。 因此，早期筛查对皮肤癌患者来说是生死攸关的。

通常来医院或诊所后，医生会根据视觉诊断进行临床筛查，对疑似病变的部位依次进行皮肤镜检查、活体组织切片检查、病理学诊断。

医生用皮肤镜进行检查。 但是，由于各种各样的理由，很多人很快就不会因为皮肤上出现的小症状而去医院。 因此，基于人工智能的家用便携式皮肤癌诊断设备大大提高了早期皮肤癌筛查的覆盖率，拯救了越来越多的人的生命。 但是，癌症诊断、差异毫希沃特、错误千里，人工智能能胜任从普通痣中筛选黑色素瘤的任务吗？ 斯坦福大学这个联合研究小组的结论是，基于深度学习的机械医生的诊断精度惊人。

斯坦福的人工智能实验室助理教授sebastian thrun说:“我们意识到这是可能的，机器不仅能做，还能做得和人类一样好。” 我们说:“看，这不仅仅是学生的作业，也许对全人类都有用。” ”。

这种视觉解决算法基于当前炎热的深度学习，即以大量数据为例训练机器完成特定的任务。 最近的深度学习不仅在视觉解决方面大放异彩，还像谷歌(微博)的围棋ai阿尔法狗一样，在学习了3000万张人类棋谱后打败了世界围棋冠军李世石。 在机器学习过程中，开发者不需要对解题方法进行编码，而是通过计算机学习样本数据来“摸索”自己的解法。 在具体的皮肤癌诊断这个例子中，研究者不需要自己总结中皮肤癌在外观上的规律特征告诉计算机，而是自己总结其模式。

以区分谷歌猫和狗的算法为蓝本

开发者们并不是自己制作火炉，而是将能够从谷歌的128万张图像中识别1000种物体的算法作为蓝本进行加工。 谷歌的这个算法本来是用来区分尼亚斯人和汪星人的，但现在已经出现了良性脂溢性角化病( benign seborrheic keratosis )和角化细胞癌( keratinocyte carcinomas )、常规痣和恶性

但是在数据方面，研究小组面临的首要问题是不存在现成的巨大皮肤癌数据库。 于是，斯坦福大学的人工智能研究所从网上收集数据，与斯坦福大学的医学院合作，给这张混乱的照片分类贴上标签。 这项工作不容易。 毕竟，原始数据的语言有好几种。 光统一这些翻译是需要时间的。

接下来，联合研究小组再次一起筛选了这个锅里的大杂烩。 专业皮肤科医生采用皮镜、手持显微镜，对相关部位的皮肤加以放大注意，形成的医学图像稍有固定标准。 但是，这里的大部分照片不是专业的医学影像，立场、尺寸、亮度五花八门。 最后，我们选取了129450张皮肤病变影像，包括2032种不同的疾病。 每张照片都制作了带有相关疾病标签的像素输入算法。 据此，研发人员省略了多个前期图像组的业务，大幅提高了数据量。

图像样本:良性和恶性上皮细胞/黑素细胞/皮肤镜下的黑素细胞。 经过训练，研究人员使用爱丁堡大学和国际皮肤成像合作项目( international SKinimaging Collaboration Project )提供的优质、经活检证实的照片，对机器的学习成果进行了检查。 照片与最常见、最致命的皮肤癌——恶性黑素瘤和细胞癌有关。 21名皮肤科医生被要求注意其中370多张照片，分别进行了评价:是进一步进行活检和治疗，还是向患者传达好消息？

测试中，人工智能被要求完成角化细胞癌的鉴别、黑色素瘤的鉴别、利用皮肤镜图像对黑色素瘤的分类三个诊断任务。 研究人员通过构造灵敏度( sensitivity ) -特异性( specificity )曲线来测量算法的表现。 敏感性显示了算法准确识别恶性病变的能力，特异性显示了算法准确识别良性病变的能力，即不误诊为癌症的能力。 在三个任务中，这种人工智能的表现与人类皮肤科医生相当，敏感性达到91%。

根据算法不同数量的角化细胞和黑色素细胞在影像诊断时的敏感性都在91%以上。 除了人类医生的诊断敏感性外，该算法还有很大的亮点，其敏感性可以调节。 研究者可以根据想要的诊断效果调整敏感性。

未来的掌上电脑

虽然这个算法至今仍需要在电脑上运行，但是斯坦福大学的团队正在努力缩小到可以安装在手机上的程度。 他们认为这个改造还很简单，但需要越来越多的实证临床检查。 在不久的将来，人们的手指即使很轻，也有可能做出可靠的皮肤癌诊断。

thrun研究所的研究生esteva说:“考虑到高端智能手机的强大存在感后，我真的灵光一现。 未来每个口袋里都有超级计算机。 如果用它来筛查皮肤癌和其他疾病呢？ 「

确实，深入学习和栽培这种土壤有很多可能性。 斯坦福大学与皮肤癌筛查的这种算法相比，只是打开了通往新世界的一个小漏洞，未来，基于深度学习的人工智能将在更广阔的医疗行业与人类医生们一起战斗。