近日，《Nature》雜志在封面發(fā)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(yī)生比肩。
不知道大家是否還記得谷歌神經(jīng)網(wǎng)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(shù)以萬計的圖片以后，它經(jīng)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(tǒng)提供高質量的皮膚癌圖片，系統(tǒng)經(jīng)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(fā)表了一篇與此相關的研究成果，并將該人工智能系統(tǒng)與24位資深的皮膚病專家相對比，發(fā)現(xiàn)系統(tǒng)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(shù)據(jù)中進行學習，通過寫代碼，讓系統(tǒng)自己去發(fā)現(xiàn)該去識別、尋找什么內容。”
這個算法被稱為卷積神經(jīng)網(wǎng)絡，它最開始出現(xiàn)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(jīng)網(wǎng)絡已經(jīng)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(qū)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。
皮膚上彩色的斑點是個大麻煩，算法如何區(qū)分是個難題
篩選圖像數(shù)據(jù)
該文章的共同作者斯坦福研究生Brett Kuprel表示：“該研究的另一個難點在于，當時還沒有足夠大的高質量皮膚癌圖像數(shù)據(jù)來訓練人工智能算法，我們必須自己來解決。”甚至在處理圖片之前，他們還要做一些翻譯工作，“我們在互聯(lián)網(wǎng)上搜集了一些圖片，與醫(yī)學院合作，將這些圖片分類整理，并打上標簽——這些標簽包括德語、阿拉伯語、拉丁語等等”
不僅要翻譯整理，還要對圖像進行處理。皮膚病專家經(jīng)常使用一種叫皮膚鏡的儀器來仔細檢查病人，所以，醫(yī)療人員基本都是通過放大率和透視角度大體一致的醫(yī)學圖像診斷疾病。但是互聯(lián)網(wǎng)的圖片千差萬別，有的是用手機，有的是用儀器，有的用照相機等，并且環(huán)境不同效果也不一樣，角度、焦距和照明方面也各不相同。
最后，研究人員還是收集到了約130000幅皮膚病變的圖像，包含了超過2000種不同的疾病。他們使用這些圖像創(chuàng)建了一個圖像庫，并將其作為原始像素提供給算法，每個像素都帶有標簽，描述了相關疾病的附加數(shù)據(jù)。然后研究人員研究出一套算法，讓算法弄清楚了這些圖片的內在聯(lián)系：即疾病經(jīng)由組織傳播在外觀上所遵循的規(guī)則。
這就是人工智能如何分割它所看到的不同類別皮膚病圖片
研究結果出來以后，為了驗證算法的準確性，研究人員從斯坦福大學醫(yī)學院請來了21為皮膚病專家，從三個角度來對算法進行驗證：角質細胞癌分類、黑色毒瘤分類和使用皮膚鏡檢查的結果對黑色素瘤進行分類。
在最后的測試中，研究人員只是使用了高質量、并且活性被驗證的惡性黑色毒瘤和惡性腫瘤圖像，并標記哪些需要治療、活檢或者僅僅是安慰一下。當研究人員將人工智能系統(tǒng)得到的診斷結果與21名醫(yī)生診斷的結果相對照的時候發(fā)現(xiàn)，所有癌性病變和不得到假陽性結果兩方面都表現(xiàn)良好，準確率在91%，這已經(jīng)與醫(yī)生的水平相當了。
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(jīng)達到我們的預期，我們的本意就是想讓民眾獲得更優(yōu)質、方便的醫(yī)療服務。更讓我興奮的是，現(xiàn)如今智能手機已經(jīng)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(tǒng)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(yè)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(qū)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(yī)生提高診斷具有挑戰(zhàn)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。”
下載文檔
