如果手機拍個照就能認出皮膚癌，這樣多好

以前的技術瓶頸

相關的技術一直都有人開發，但是就未能成功，原因如下：

訓練數據

1. 大部分的皮膚癌圖片都是用皮膚鏡拍下來的，拍出來的照片跟用手機拍的有很大差別。所以皮膚鏡拍下的皮膚癌數據庫就不能夠用。

2. 其他的皮膚癌圖像數據主要是透過組織活檢獲取的，我們都沒可能自己用刀切一塊皮下來讓手機拍照檢查，所以這類數據也是用不了的。

如果我們想要做出只用手機鏡頭，什么特殊器具也不用就能檢查出皮膚癌的人工智能模型，我們必須先有一個這樣，用手機拍下皮膚病灶照片的數據庫。

運算法

以組織活檢或者皮膚鏡所獲取的圖片都是非常標準化的，如果圖片是標準化，電腦系統就比較容易分類。 但是如果是用手機拍照的話，就會有很多可變因素，例如燈光，角度，放大倍數等。 以前的運算發是不能夠在這些可變因素影響下準確作出分類。

《Nature》雜志在封面發表一篇文章：利用深度學習算法診斷皮膚癌，準確度達到91%，可以與醫生比肩。

不知道大家是否還記得谷歌神經網絡是如何辨別貓和狗的？人工智能和人不同，一個小孩見了幾次貓以后他就知道貓是什么樣子的，但是對于一個機器，人們需要給它喂數以萬計的圖片以后，它經過深度學習才能識別出什么是貓。

同樣的，如果人給人工智能系統提供高質量的皮膚癌圖片，系統經過機器學習也可以識別出什么是皮膚癌，最近斯坦福大學在《Nature》上發表了一篇與此相關的研究成果，并將該人工智能系統與24位資深的皮膚病專家相對比，發現系統的準確率在91%左右。

該文章第一作者，斯坦福大學的研究生Andre Esteva說：“我們做了一個非常強大的人工智能算法，可以從數據中進行學習，通過寫代碼，讓系統自己去發現該去識別、尋找什么內容。”

這個算法被稱為卷積神經網絡，它最開始出現在谷歌大腦中，利用自身驚人的計算能力可以強化算法的決策能力。通過斯坦福大學研究以后，神經網絡已經能夠從大約1000個不同類別中識別128萬幅圖像，但是，研究人員需要從一個良性的脂溢性角化病了解惡性腫瘤。

從一堆波斯貓中分辨出狗來，準確率無傷大雅，但是如何區別各種皮膚病的不同斑點，并從中識別出皮膚癌，這是事關人命的大事，對準確率要求極高。

利用手機做診斷

Esteva表示：“雖然團隊尚未做出一個上線的APP，但是這已經達到我們的預期，我們的本意就是想讓民眾獲得更優質、方便的醫療服務。更讓我興奮的是，現如今智能手機已經無處不在了，每個手機上都含有各種各樣的傳感器和相機，我們可以通過手機圖像直接用人工智能系統判斷是否患皮膚癌，同時如果皮膚癌的問題解決了，那么其他疾病還會遙遠了嗎？”

無論怎樣，在進入商業化之前，下一步還需要進行更多的測試，并細化算法。“重要的是我們知道了人工智能為了區分圖片是如何做決策的。良性和惡性皮膚病變計算機輔助分類研究的進展，可以幫助皮膚病醫生提高診斷具有挑戰性的病病變的能力，并為患者提供更好的管理方案。”論文作者斯坦福大學皮膚科教授Susan Swetter表示，“不過在在臨床實踐中實施之前，嚴格的前瞻性驗證算法是必要的。”

可以教會AI在用智能手機相機拍攝的照片上標記可能的皮膚癌，并且圖像可以是普通的“人物照”，而不是可疑病變的特寫鏡頭。

該概念在麻省理工學院通過了試鏡，生物醫學工程師在那里訓練，測試和驗證了具有38，000多幅圖像的深度卷積網絡。

除了皮膚病學等級的圖像外，該數據集還包括用消費類相機拍攝的15，000多個廣角鏡頭。

研究人員使用經驗豐富的皮膚科醫生對病變的分類作為基本事實，發現他們的系統在將可疑病變與良性皮膚變色和繁忙的背景分開時，可以達到大約90%的敏感性和特異性。

作者指出，在臨床使用中，這種自動篩查技術可以幫助患者前往皮膚科醫生進行早期診斷-或至少避免繁瑣的單個病灶成像。

這組作者說：“該算法無需一次評估單個病變以尋找預定的腫瘤形成征象，而是識別出與該患者皮膚上大多數其他標記不同的病變，將其標記為進一步檢查并按可疑程度對其進行排名，”在他們的研究總結中進行解釋。“該算法的執行與董事會認證的皮膚科醫生相似，可以潛在地用于初級保健就診，以幫助臨床醫生對可疑病變進行分類以進行隨訪。”

《科學轉化醫學》于2月17日發表了該研究。主要作者和資深作者分別是Luis Soenksen博士和Martha Gray博士。

（動脈網，KeithKwan，互聯網分析沙龍網綜合整理）

責任編輯：lq