斯坦福大学的研究人员希望在不久的将来将他们的这项技术投入实用，让更多人获得更好的医疗服务。试想一台就在你智能手机里的皮肤癌检测仪，随时随地方便使用。

　　论文：用深度神经网络分类皮肤癌，达到皮肤科医生水平

摘要

　　皮肤癌是最常见的人类恶性肿瘤，主要通过视觉方式诊断，从临床筛查开始，之后可能跟进皮肤镜分析检查、活体细胞检测和组织病理学检查。由于皮肤病变外观的细粒度变化，让系统自动对皮肤病变图像进行分类十分困难。深度卷积神经网络（CNN）常被用于分类各种不同细粒度的对象，并且在多项任务中表现良好。

　　在这里，我们展示了使用单一CNN 对皮肤病变进行分类的过程，这一神经网络仅以像素和疾病标签作为输入，直接使用图像进行端到端的训练。我们使用了含有 129450 幅临床图像的数据集——比以前的数据集大了两个数量级——包含 2032 种不同的疾病类型，训练了一个CNN。我们使用活检证实的临床医学图像，测试了该网络在两大案例中的性能，结果与 21 位认证皮肤科医生的表现做对比。

　　这两大案例分别是：角质细胞癌与良性脂溢性角化病，以及恶性黑色素瘤和普通的痣。第一例代表最常见的癌症识别，第二例代表了最致命的皮肤癌识别。深度卷积神经网络在这两个任务上的表现都达到了所有接受测试的专家的水平，证明了这一人工智能系统的皮肤癌鉴定水平与皮肤科医生相当。

　　配备这一深度神经网络的移动设备可以让皮肤科医生的诊断得到临床以外的使用。预测到 2021 年，全球将有 63 亿智能手机用户，这为实现低成本的重要诊断铺平了道路。

　　深度学习改变癌症诊疗，仍有很大提升空间

　　斯坦福的这项研究发表后，两位皮肤病学研究者——俄勒冈健康和科学大学的 Sancy A. Leachman 和美国国家癌症研究所 Glenn Merlino 在 Nature 撰写了评论文章《癌症诊断的最后前沿》（The Final Frontier in Cancer Diagnosis）。

　　Leachman 和 Merlino 肯定了斯坦福大学研究者的贡献。但他们也指出，Esteva 等人所使用的训练数据集比此前公布的任何同类方法都要大100倍左右，这或许能很好地介绍他们的机器为什么能成功。当然，这种方法也还存在提升的空间。随着越来越多的数据被填入到这类系统当中，机器可以在自己的错误被改正的过程中进行学习，从而让其性能得到显著的提升。Esteva和他同事的工作代表了提升曲线上的第一点，而不是峰值。作者使用的模型算法名叫 Inception v3，现在，也有一些新的程序和算法可用，这些新的东西能缩减训练时间、提升精度。

　　但是，atv，算法参考信息的准确度决定了算法的准确度。如果机器诊断出病变是恶性的，但是一个病理学家对病变的活组织检查分类的结果诊断为良性（non-malignant），那么这可能是一个“错误”的机器诊断。但是，如果在一个例子中，机器是正确的，而人是错误的呢？机器和人诊断的相对准确率可以通过病变的发展进程进行不断地追踪。

　　人工智能用于诊断技术的一个显要的潜在社会好处在于，能让更多的人可以获得高质量的医疗。比起既有的医疗系统，一个包含了这一技术的智能手机应用程序可以让更多的人享受高效的、简便且低成本的医疗检查。以皮肤癌的检测为例，其他依赖医生来进行以图像为基础的癌症诊断，比如放射检查，可能会被改变。

　　如果医学检查开始依赖患者对可疑病变的自我识别，那么皮肤癌高风险的个体更有可能在医生的手术中选择不进行正常的全面皮肤筛查，这样可以挽救他们的生命。

　　但是，人工智能驱动的医疗诊断可能会带来意想不到的负面结果。医务人员是否会变成技术人员，只是对机器的诊断结果做出一定的反应？当然他们可能偶尔也会有凌驾于计算机之上的权力。并且，如果医疗的检查都依赖于病人对可疑病症的自我诊断，个人会不会更可能选择不做全面的皮肤检测，但是，这在医生的诊断中是必须的，这是可以拯救生命的。

　　在疾病的早期阶段，精确和有效的癌症诊断，从而获得最好的治疗时机，长久以来，这样的事其实很多都只是发生在科幻小说而不是现实生活中。但是，也许用不了多久，我们就能拥有能诊断癌症的智能手机，就像《星际迷航》中出现的那些一样。我们应该提前做好准备，直播，或者是说转变自己的观念，大胆地把人工智能技术应用在更多的领域。

　　编译来源：

https://www.extremetech.com/extreme/243352-deep-learning-algorithm-diagnoses-skin-cancer-seasoned-dermatologists

【寻找AI独角兽】新智元联手10大资本

启动2017创业大赛