在测试期间，研究者只使用了由爱丁堡大学和国际皮肤影像合作项目（International Skin Imaging Collaboration Project）提供的高质量和活组织检测证实（biopsy-confirmed）的影像，其代表着最常见最致命的皮肤癌：恶性肿瘤和恶性黑素瘤。这需要询问 21 个皮肤科医生他们通过每一张影像决定是进行活组织检测（biopsy）或治疗还是判断不是恶性疾病。因此研究人员评估了皮肤科医生在超过 370 张影像中能够正确诊断癌性和非癌性病变的准确程度。

算法的性能是通过构建敏感性（特异性曲线）进行衡量的，其中敏感性（sensitivity）代表着正确识别恶性病变的能力，特异性（specificity）代表着正确识别良性病变的能力。其是通过三个关键性诊断任务进行评估的：角化细胞癌的分类、黑素瘤的分类和通过皮肤镜检查的黑素瘤分类。在所有的三个任务中，该算法的表现媲美皮肤科医生，灵敏度曲线之下的区域达到整个曲线图区域的 91%。

该算法另外的优点是它的敏感性能进行调整，研究者可以根据他们想要评估的东西从而调整其响应度。这种改变敏感性的能力暗示着该算法的深度与复杂性。看似无关照片中潜藏的架构——包括猫和狗的图像，都有助于算法更好地评价皮肤病变影像。

通过智能手机实现的医疗

尽管该算法目前用于计算机，但团队希望未来它能够兼容于智能手机，让可靠的皮肤癌诊断触手可及。

「我意识到用在智能手机是多么的独特，那是我灵光乍现的一刻」Esteva 说，「每个人口袋中都有一个超级计算机，上面有大量的传感器，包括摄像头。如果我们把它用来筛查皮肤癌会怎么样？或其他疾病呢？」

虽然该团队相信把算法过渡到移动设备会相对简单，j2直播，但仍需要在现实世界的临床试验上进行进一步的测试。

计算机辅助分类良性和恶性皮肤疾病的发展能够极大地帮助皮肤科医生改进对高难度疾病的诊断，并向病人提供更好的管理选择。」该论文的合作者、斯坦福癌症研究所 Pigmented Lesion & Melanoma 项目的负责人 Susan Swetter 教授说，「然而，在算法用于临床实践之前，还需要从业者与病人等进行严格的验证。」

即使面临着如此多的挑战，研究人员依然感觉很有希望：深度学习某天能够在多种医疗领域为视觉化诊断做出贡献。

该研究的其他合作者包括：皮肤病学、病理学临床助理教授 Robert Novoa，皮肤病学临床副教授 Justin Ko。

论文：用深度神经网络实现皮肤科医生水平的皮肤癌分类（Dermatologist-level classification of skin cancer with deep neural networks）

摘要：皮肤癌是人类最常见的恶性肿瘤，目前主要是通过视觉诊断的。一般首先是临床筛查，之后可能需要皮肤镜分析、活检和组织病理学检查。使用图像的皮肤病变自动分类是一个具有挑战性的任务，因为皮肤病变的外观是一种细粒度的变化。深度卷积神经网络（CNN）在多种细粒度对象分类的通用的及高度可变的任务中都显示出了潜力。在这里，我们展示了使用一个单一的深度卷积神经网络进行皮肤病变分类的过程，该网络仅使用像素和疾病标签作为输入，直接从图像中端到端地训练出来。我们使用 129450 个临床图像的数据集——大于以前的数据集两个数量级，包含了 2032 种不同的疾病——训练了一个深度卷积网络。我们使用两个关键的二进制分类用例：角质形成细胞癌（keratinocyte carcinomas）vs 良性脂溢性角化病（benign seborrheic keratoses）；恶性黑色素瘤 vs 普通的痣，在 21 位经过认证的皮肤科医生的监督下，测试了它在活检证实的临床图像上的性能。第一例代表最常见的癌症的识别，第二例代表了最致命的皮肤癌的识别。深度卷积神经网络在这两个任务上的表现都达到了所有测试的专家的水平，证明了该人工智能的皮肤癌鉴定水平达到了媲美皮肤科医生的水平。配备该深度神经网络的移动设备可以让皮肤科医生的诊断拓展到临床之外。据预测，到 2021 年，将有 63 亿智能手机订阅该功能，实现低成本的重要诊断。

　　原文链接：

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]