为了让人们能获得更好的医疗，斯坦福大学的研究者已经成功训练了一个可以诊断皮肤癌的算法。该研究的相关论文《Dermatologist-level classification of skin cancer with deep neural networks》已经发表在 Nature 上。本文编译自斯坦福大学的官方介绍新闻，读者可在文末查看论文摘要和点击「阅读原文」查阅原论文。

预约一个医生帮你检查一颗痣是否会癌变已经非常可怕了，但想像一下，如果你住的地方又离最近的医生非常远，没有时间做检查或者没有钱跑那么远去做检查该怎么办？在这种情况下，通过手机诊断疾病会是一种救急的选择。

通常，皮肤科医生使用皮肤镜（dermatoscope）来观察皮肤，这是一种手持显微镜。斯坦福的计算机科学家创造了一个可以进行皮肤癌诊断的人工智能诊断算法，表现可媲美通过职业认证的皮肤科医生。

在计划创造皮肤癌人工智能诊断算法的时候，斯坦福的计算机科学家想的是能让治疗普遍可及。他们做了一个包含近 13 万张皮肤疾病图像的数据集，开奖，然后训练算法能在视觉上诊断潜在的癌症。在首次测试中，它就展现出了惊人的准确率。

「我们意识到这是可行的，而且可以做得很好，」斯坦福人工智能实验室副教授 Sebastian Thrun 说。「那时我们的思想改变了。那时我们会说，‘看，这不仅仅是一个学生的课堂项目，而是为人类做伟大事情的一个机会’。」

该项目最终的成果论文发表在 1 月 25 日的 Nature 杂志上，该结果已经过了 21 位认证皮肤科医生的对比测试。在该论文中的最常见的和最致命的皮肤癌的诊断上，该算法的表现已能媲美皮肤科医生。

为什么选择皮肤癌？

美国每年都有 540 万人患皮肤癌，在早期检测到的黑色素瘤的 5 年生存率在 97% 左右，如果晚期查出 5 年生存率将会下降 14%，皮肤癌的早期发现可能会对其结果产生巨大的影响。

皮肤癌的诊断始于视觉检查。医生通常用肉眼观看皮肤镜来检查可疑的病变。皮肤镜是一种手持式显微镜，可低倍率放大皮肤表面。如果这些方法都是不确定的，或者无法让皮肤科医生确定病变是癌变，那么下一步就要用到活检。将该算法纳入检测过程迎合了当下将视觉处理与深度学习相结合的计算趋势——深度学习是一种对大脑神经网络建模的人工智能。深度学习在计算机科学中已有几十年的历史，但最近才被应用到视觉处理任务上，并取得了巨大的成功。包括深度学习在内的机器学习的本质就是训练计算机来解决问题，而不是把答案编进程序。

「我们做了一个非常强大的机器学习算法，它能从数据中学习，」该研究相关论文的合作者、Thrun 实验室的研究生 Andre Esteva 说，「你让算法找出答案，而不是把要找的东西写入计算机代码。」

该研究相关论文的合作者、Thrun 实验室的研究生 Andre Esteva

该算法处理的是带有一个相关疾病标签的图像的原始像素。与其他训练算法的方法相比，该方法需要的处理非常少，也不需要在分类之前对图像进行分组，这允许算法处理种类更广泛的数据。

从猫狗识别到黑素瘤和癌症的诊断

研究人员并没有从头开始构建算法，而是从谷歌已经训练识别了 128 万张 1 千种类目标的算法基础上进行开发的。虽然谷歌这套系统是为识别猫和狗设计的，不过研究员需要它能学会区分良性脂溢性角化病（benign seborrheic keratosis）和恶性肿瘤。

这篇论文的主要联合作者，Thrun 实验室的研究生 Brett Kuprel 说：「现在情况是没有巨大的皮肤癌数据集来训练我们的算法，所以我们只能自己做了，我们从互联网收集数据，并与医学院合作对混乱数据（标签就含有多种语言，如德语、阿拉伯语、拉丁语等）进行良好的分类。」

Thrun 实验室的研究生 Brett Kuprel

经过必要翻译后，研究人员与斯坦福医学院皮肤科医生以及本论文的联合作者、斯坦福微生物学和免疫学教授 Helen M. Blau 合作处理影像资料。这个跨学科的团队一起对互联网上混乱的影像进行分类。其中很多影像资料并不像医疗专业人员拍摄的那样专业，而是从各个角度、焦距和照明下拍的。最后，他们累积了约 130,000 张皮肤病变的图像，这些图像展示了超过 2000 种不同的皮肤疾病。