由于在特征辨认义务上具有优势，医疗图像诊断不断是人工智能技术使用的重要方向。近日，韩国研讨人员使用深度学习算法在皮肤病诊断上击败了 42 位皮肤科专家，其研讨宣布在了 Nature 系列期刊的《Investigative of Dermatology》上。据引见，该任务运用了 Faster R-CNN、ResNet 等计算机视觉算法。目前，研讨人员已将该办法制成安卓 APP 供人们运用（Google play 下载链接见文中）。

人工智能目前在与专业医生的才能比照上还罕有胜迹。但深度神经网络办法最近曾经可以在灰指甲这一真菌疾病的诊断上击败 42 名皮肤科专家了——这种疾病每年困扰着 3500 万美国人。

人工智能在医疗范畴的这一宏大成功很大水平上得归功于韩国研讨者提出的包括了 50,000 张手指甲与脚趾甲图片组成的庞大数据集。它可以用于训练深度神经网络辨认灰指甲——一种可使指甲变色和变脆的罕见真菌感染——为深度学习模型带来逾越医学专家的弱小优势。

「这项研讨初次展现了 AI 可以逾越人类专家，」韩国首尔第一皮肤病医院的皮肤病医生和临床医生 Seung Seog Han 说。「目前为止，在很多研讨中，AI 在糖尿病视网膜病、皮肤癌的诊断和肺部 X 射线解读的表现都到达了和人类专家相近的水平。」

过来的测试包括「AI versus doctors」，AI 在皮肤病诊断中的表现大致上和人类专家持平。但在这项研讨中，42 团体类专家仅有 1 个稍微在三个实验之一的特定测试场景中超越了深度神经网络。该研讨宣布在 2018 年 1 月 19 日的网络杂志 PLOS ONE 上。

尤其是，不同于复杂案例，深度神经网络在极度困难的案例上表现得比皮肤病专家好得多，Han 引见道。除了 Han 以外，该团队的次要研讨者还包括韩国翰林大学的皮肤病学教授 Gyeong Hun Park，以及韩国蔚山大学的皮肤病学教授 Sung Eun Chang。

Han 作为医生的日常任务包括医治多品种型的皮肤疾病。但他也学习了几种计算机编程言语例如 C++和 Python，并继续了好几年。当他看到 AlphaGo 击败顶级人类围棋选手李世石的旧事之后，对深度学习发生了兴味。

深度学习算法通常能处理在大数据中检测形式的专业性义务，而人类难以掌握大数据的规律。在这个案例中，韩国的研讨者发现可以用微软研讨院开发的深度学习算法协助医生从数字照片中辨认能够的灰指甲感染病例。

但一切的深度学习模型都需求少量的数据来训练 AI 辨认相关的形式。搜集和灰指甲感染相关的有用照片是一项宏大的应战，由于通常这类照片并没有规范的格式。很多照片都从不同的角度拍摄，并会同时展现安康的指甲和被感染的指甲。此外，由于深度学习算法的技术局限性，一切的照片都需求转换成 224×224 像素，这使得很多照片变得无法辨认。

Han 和他的同事们训练了一个基于 Faster R-CNN 的目的检测算法模型来辨认和裁剪照片，从而使照片仅包括感染的趾甲和指甲，然后将照片缩小，以适用于深度神经网络的训练。大少数的照片来自 MedicalPhoto，这是一个皮肤病临床照片管理顺序，由 Han 在 2007 年开发。

但是，Han 不得不搜集由 Faster R-CNN 裁剪失掉的 10 万张照片，停止人工读取并对每张照片标志两次，以确保训练数据的精确性：不精确或不充沛的趾甲/指甲照片被剔除。这项任务破费了他大约 550 个小时，总共超越了 70 天，即便他坚持每天任务数小时，并以 10 秒每张的速度处置照片。

该数据集协助训练了用于辨认病症的卷积神经网络——微软的 ResNet-152 和牛津大学的 VGG-19 模型，以执行辨认指甲真菌感染能够病例的任务。这种深度学习办法表现优于 42 位皮肤科专家组成的小组——其中包括 16 名教授、18 名临床医生和 8 名住院医师。

研讨者还展现了在额定测试中，深度学习办法通常优于最好的五位皮肤科专家。另外，研讨者发现 AI 的诊断评价比普通医生、医先生、护士和非医务人员要好。

研讨团队曾经放出了一个 demo 做演示：

• 试用网址：http://nail.medicalphoto.org
• 安卓 APP：https://play.google.com/store/apps/details?id=com.phonegap.onychomycosis_en

经过用网站和 APP 搜集数据，研讨人员希望发现当 AI 用于医疗理论时潜在的成绩。

Han 和其同事也在皮肤癌等其他皮肤病上测试了深度学习。相关论文在 2 月 8 日宣布在了在线期刊《Journal of Investigative Dermatology》上（见文末）。

该研讨标明，人工智能可以在极为依赖临床摄影的远间隔医疗（telemedicine）中极为有协助，例如诊断灰指甲等。但是，目前依然需求人类皮肤科医生运用病人的普通病史、足臭等少量要素来确诊。极多数医生对只基于图片做诊断感到适宜。

Han 和他的同事以为本人的研讨对普通从业者十分有协助，他们常常见到病人埋怨皮肤和指甲病状。Han 说，「AI 诊断要比普通临床诊断更为精确，我以为它对普通从业者确定甲癣的医治方向有所协助。」

论文：Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm

摘要： 我们测试运用深度学习算法对 12 种皮肤病的临床照片停止分类，包括基内幕胞癌、鳞状细胞癌、上皮内癌、光化性角化病、脂溢性角化病、恶性黑色素瘤、黑素细胞痣、雀斑样痣、化脓性肉芽肿、血管瘤、皮肤纤维瘤、疣。运用来自 Asan 数据集、MED-NODE 数据集和 atlas site images 中的训练集图像（共 20826 张）对卷积神经网络（Microsoft ResNet-152 模型）停止调整。然后运用 Asan、Hallym 和 Edinburgh 数据集的测试集图像验证训练后的模型。运用 Asan 数据集停止验证时，基地细胞癌、鳞状细胞癌、上皮内癌、黑色素瘤诊断的曲线上面积（AUC）辨别是 0.96 ± 0.01、0.83 ± 0.01、0.82 ± 0.02、0.96 ± 0.00。运用 Edinburgh 数据集停止验证时，对应疾病的曲线上面积辨别是 0.90 ± 0.01、0.91 ± 0.01、0.83 ± 0.01、0.88 ± 0.01。运用 Hallym 数据集停止验证时，基内幕胞癌诊断的敏感度是 87.1% ± 6.0%。运用 480 张 Asan 和 Edinburgh 图像承受测试的算法功能可与 16 位皮肤科医生媲美。为了进步 CNN 的功能，我们还应该搜集触及年龄范围更大、种族更普遍的图像。