谷歌AI识别26种皮肤疾病准确率90% ，实力比肩资深专家

皮肤类疾病是全球最常见的疾病之一，仅次于感冒、疲劳和头痛。据估计，全球有25%的患者接受的治疗都是针对皮肤问题的，在这部分患者中，多达37%的人至少有过一次以上因皮肤问题而就医的情况。皮肤科 庞大的工作量以及全球皮肤科医生的 短缺迫使一些患者只能在全科医生处进行相关皮肤类疾病就诊，而全科医生在诊断病情方面又不如专家准确。

 

这一趋势促使谷歌的研究人员研发了一种 能够发现初级护理中最常见的皮肤病的人工智能系统。人工智能系统的开发基于 深度学习 （deep learning）来解决初级保健中最常见的皮肤问题，这项研究旨在 增强全科医生诊断皮肤类疾病的能力。当提供有关患者病例的图像和元数据时，AI可以在 26种不同的皮肤疾病下实现准确发现，其准确度能比肩资深的皮肤科专家。

通常来说，皮肤科医生在诊断任何皮肤疾病时，不会只给出单一诊断，他们会根据病人实际状况以及疾病原理列出一个可能疾病的范围，进而再通过后续的问诊、测试、成像等方式缩小疾病范围。这款最新的AI系统也是如此， 它处理的输入数据包括一个或多个皮肤异常的临床图像和多达45种元数据类型（例如，病史、年龄、性别、现有症状等）。

 

研究小组表示，人工智能系统使用来自两个州17个初级保健诊所的17,777例确诊病例对该模型进行评估。他们将训练AI的 语料库 一分为二，将2010-2017年期间病例用作训练AI的数据集，将2017-2018年病例用作评估AI是否准确地参照数据集。同时在训练期间，该模型利用40多名皮肤科医生提供的 50,000多例诊断实例不断自我“精进技艺”。

图片来源：Pixabay 接着，为了确保AI的诊断准确性，研究人员汇集三名顶尖的皮肤科医生的诊断结果来加以验证。通过对3750多例病例的汇总得出真实标签，AI对皮肤疾病的排名列表中top 1以及top 3的常见疾病的诊断准确度分别达71%和93%。此外,当系统与三类临床医生(皮肤科医生、全科医生和实习医师)在诊断疾病的 准确率 进行比较时，其以 90%的准确度胜于皮肤科医生75%、全科医生60%、实习医师55%的诊断 准确率 。

图片来源：Google 最后，为了评估对不同皮肤类型的潜在偏差，该团队根据Fitzpatrick皮肤分型（译者注：肤色根据对日光照射后的灼伤或晒黑的反应可分为 I-VI 型。I 型：总是灼伤 , 从不晒黑；II 型：总是灼伤 , 有时晒黑；III 型：有时灼伤 , 有时晒黑；IV 型：很少灼伤 , 经常晒黑；V 型：从不灼伤 , 经常晒黑；VI 型：从不灼伤 , 总是晒黑。欧美人皮肤基底层黑色素较少，属I, II 型；黄皮肤人种为III, IV型，皮肤基底层黑色素含量中等；非洲棕黑色皮肤为V, VI型，皮肤基底层黑色素含量很高） 测试了AI系统的性能。

研究人员将注意力集中在至少占5％数据的皮肤类型上，他们发现该模型的性能表现与验证AI准确性该步骤相似。当肤色、人种有区别时，AI对top 1常见皮肤疾病的诊断率为69%-72%，对top 3 常见疾病的诊断率为91%-94%。 换言之，该AI不会因为肤色的差别而进行误判。

图片来源：Pixabay目前，该AI系统还是存在一定 局限性。首先，现在的元数据都源于一个数据出处，数据范围还不够广泛；其次，Fitzpatrick皮肤类型中一些皮肤疾病太过罕见，用于常见疾病的AI系统并不适用；再者，一些类似于黑色素瘤的数据样本该AI还未学会如何进行分析，所以该人工智能还有更多上升完善的空间。

相信在不久的将来，这些限制可以通过AI不断加强学习更多类型的皮肤病类型和数据的方式解决。 深度学习 为皮肤病的鉴别诊断提供信息，这一实验的成功无疑会减轻医生许多负担，未 来也 可更多用于帮助分类病例、指导临床护理的优先顺序、或帮助全科医生更准确地启动皮肤病治疗程序，从而改善皮肤病患者的治疗与护理。

参考资料：

[1] Google says its AI detects 26skin conditions as accurately as dermatologists Retrieved Sep 16, 2019 from https://venturebeat.com/2019/09/13/googles-ai-detects-26-skin-conditions-as-accurately-as-dermatologists/

[2] A deep learning system for differential diagnosisof skin diseases Retrieved Sep 16, 2019 from https://arxiv.org/abs/1909.05382