谷歌称人工智能可以像皮肤科医生那样准确地检测出26种皮肤病

 
皮肤状况是全球最常见的疾病之一，仅次于感冒，疲劳和头痛。事实上，据估计，世界各地为患者提供的所有治疗中有25%是针对皮肤状况的，并且在诊所中看到的高达37%的患者至少有一次皮肤病。
巨大的病例工作量和全球皮肤科医生短缺迫使患者寻找全科医生，他们在识别病情时往往不如专科医生准确。这一趋势促使谷歌研究人员研究能够发现初级保健中最常见的皮肤病的人工智能系统。在一篇论文(“用于皮肤疾病鉴别诊断的深度学习系统”)和随附的博客文章中，他们报告说，当提供有关患者病例的图像和元数据时，它可以在26种皮肤状况下实现准确性，并且他们声称它与与美国董事会认证的皮肤科医生。
“我们开发了深度学习系统(DLS)，以解决初级保健中最常见的皮肤状况，”Google软件工程师Yuan Liu和Google Health技术项目经理Peggy Bui博士写道。 “这项研究强调了DLS有可能增强没有额外专业训练的全科医生准确诊断皮肤状况的能力。”
正如Liu和Bui进一步解释的那样，皮肤科医生不会对任何皮肤状况进行一次诊断 – 相反，他们会通过随后的实验室测试，成像，程序和咨询系统地缩小可能诊断(差异诊断)的排序列表。 。谷歌研究人员的系统也是如此，该系统处理的输入包括一个或多个皮肤异常的临床图像和多达45种元数据(例如，自我报告的病史组成部分，如年龄，性别和症状) )。
研究小组表示，它对来自两个州17个初级保健诊所的17,777个去识别病例进行了评估。他们将语料库分成两部分，并使用2010年至2017年期间记录的部分记录人工智能系统，保留2017年至2018年的部分进行评估。在培训期间，该模型利用了超过40名皮肤科医生提供的50,000多种鉴别诊断。
在对系统诊断准确性的测试中，研究人员汇编了三位美国董事会认证的皮肤科医生的诊断结果。汇总了超过3,750个案例以得出真实标签，并且AI系统的皮肤状况排名列表分别达到71%和93%的前1和前3精度。此外，当系统与验证数据集的一个子集中的三类临床医生(皮肤科医生，初级保健医生和执业护士)进行比较时，该团队报告其前三项预测显示前三诊断准确率为90% ，或与皮肤科医生(75%)相比，并且比初级保健医生(60%)和执业护士(55%)“高得多”。
最后，为了评估对皮肤类型的潜在偏见，该团队根据Fitzpatrick皮肤类型测试了AI系统的性能，该皮肤类型的范围从I型(“淡白色，总是烧伤，从不晒黑”)到VI型(“最黑的棕色，永远不会燃烧“)。专注于代表至少5%数据的皮肤类型，他们发现该模型的表现相似，前1精度范围从69%到72%，前3精度从91%到94%。
研究人员将培训语料库中元数据的存在与系统的整体准确性相提并论，并说结果表明他们的方法可能“有助于促使临床医生……考虑可能性”，这些可能性最初并非在他们的鉴别诊断中。然而，他们注意到他们的训练语料库仅来自一个远程皮肤病学服务;一些Fitzpatrick皮肤类型在他们的数据集中太罕见，无法进行有意义的培训或分析;并且由于缺乏可用的数据样本，他们的数据集没有准确地检测到某些皮肤状况，例如黑色素瘤。
“我们相信这些限制可以通过在训练和验证集中包含更多经活检证实的皮肤癌病例来解决，”Liu和Bui写道。 “深入学习为皮肤病的鉴别诊断提供信息的成功是非常令人鼓舞的，因为这种工具可以帮助临床医生。例如，这样的DLS可以帮助分类病例，以指导临床护理的优先次序，或帮助非皮肤科医生更准确地启动皮肤病治疗，并可能改善[护理]的获取。“