如果有一天，你突然發(fā)現(xiàn)身上的一顆痣變得有些奇怪，你會怎么做？雖然這可能是一個危險的信號，但很多人因為工作忙、去醫(yī)院不便等種種原因，往往不會及時去檢查?，F(xiàn)在，人工智能為這個問題提供了更好的解決方案：在未來，我們或許可以在手機上下載一個APP，開個攝像頭讓機器醫(yī)生幫我們看一看，這是不是皮膚癌的早期癥狀。

斯坦福大學(xué)一個聯(lián)合研究團隊開發(fā)出了一個皮膚癌診斷準確率媲美人類醫(yī)生的人工智能，相關(guān)成果刊發(fā)為了1月底《自然》雜志的封面論文，題為《達到皮膚科醫(yī)生水平的皮膚癌篩查深度神經(jīng)網(wǎng)絡(luò)》（Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks）。他們通過深度學(xué)習(xí)的方法，用近13萬張痣、皮疹和其他皮膚病變的圖像訓(xùn)練機器識別其中的皮膚癌癥狀，在與21位皮膚科醫(yī)生的診斷結(jié)果進行對比后，他們發(fā)現(xiàn)這個深度神經(jīng)網(wǎng)絡(luò)的診斷準確率與人類醫(yī)生不相上下，在91%以上。

深度學(xué)習(xí)為醫(yī)學(xué)添磚加瓦

在中國，皮膚癌并不是癌癥家族中特別矚目的成員，這是因為黃種人的皮膚癌發(fā)病率要低于白種人。但在美國，皮膚癌卻是最常見的癌癥之一。每年約有540萬美國人罹患皮膚癌。以黑色素瘤為例，如果在五年之內(nèi)的早期階段檢測并接受治療，生存率在97%左右；但在晚期階段，存活率會劇降到14%。因而，早期篩查對皮膚癌患者來說生死攸關(guān)。

一般情況下，來到醫(yī)院或診所后，醫(yī)生會基于視覺診斷進行臨床篩查，再對疑似病變部位依次進行皮膚鏡檢查、活體組織切片檢查和病理學(xué)診斷。

醫(yī)生使用皮膚鏡進行檢查。但由于各種各樣的原因，很多人并不會及時為皮膚上出現(xiàn)的一些細小癥狀而跑一趟醫(yī)院。因而，基于人工智能的家用便攜式皮膚癌診斷設(shè)備將大大提高早期皮膚癌的篩查覆蓋率，挽救更多人的生命。但是，癌癥診斷，差之毫厘，謬以千里，人工智能能夠勝任將黑色素瘤從普通的痣中篩選出來的任務(wù)？斯坦福大學(xué)這個聯(lián)合研究團隊的結(jié)論是：基于深度學(xué)習(xí)的機器醫(yī)生診斷準確率十分驚人。

“我們意識到這是可行的，機器不僅能做，而且能做得和人類一樣好”，斯坦福人工智能實驗室助理教授SebastianThrun說道，“這時候我們的想法完全變了。我們說，‘瞧吧，這不僅僅是個學(xué)生作業(yè)，這可能有益于全人類’?！?/p>

這種視覺處理算法基于時下大熱的深度學(xué)習(xí)，即通過大量的數(shù)據(jù)作為示例來訓(xùn)練機器完成某些特定任務(wù)。近來深度學(xué)習(xí)不僅在視覺處理方面大放異彩，也在其他不同的領(lǐng)域碩果累累，譬如谷歌(微博)的圍棋AI阿爾法狗，就是在學(xué)習(xí)完3000萬張人類棋譜后擊敗世界圍棋冠軍李世石的。在機器學(xué)習(xí)過程中，開發(fā)者不再需要對解題方法進行編碼，而是任由計算機通過學(xué)習(xí)示例數(shù)據(jù)自己“摸索”出解法。具體到皮膚癌診斷這個案例中，就是研究者不再需要自己總結(jié)中皮膚癌在外觀上的一些規(guī)律性特征來教會計算機，而是由它自己總結(jié)其中的模式。

以谷歌一個區(qū)別貓狗的算法為藍本

研發(fā)者們沒有自己另起爐灶，而是以谷歌的一個能在128萬張圖像中識別1000種物體的算法為藍本進行加工。谷歌的這個算法原本是用來區(qū)分喵星人和汪星人的，現(xiàn)在，研究者們需要訓(xùn)練它區(qū)別良性脂溢性角化?。╞enignseborrheickeratosis）和角化細胞癌（keratinocytecarcinomas）、普通的痣和惡性黑色素瘤（malignantmelanomas）。

但是，在數(shù)據(jù)方面，研究團隊面臨的第一個問題就是并不存在一個現(xiàn)成可用的龐大皮膚癌數(shù)據(jù)庫。所以，斯坦福人工智能實驗室從互聯(lián)網(wǎng)上收集數(shù)據(jù)，與斯坦福醫(yī)學(xué)院進行合作，給這一大堆混亂的照片分類貼標簽。這工作并不容易，畢竟，原始數(shù)據(jù)里的語言就有好幾種，光把這些翻譯統(tǒng)一就很耗時。

接著，聯(lián)合研究團隊再一起對這鍋大雜燴進行篩選。專業(yè)的皮膚科醫(yī)生會使用皮膚鏡，一種手持的顯微鏡，對相關(guān)部位的皮膚進行放大觀察，形成的醫(yī)學(xué)影像具有一些固定標準。但這里的大多數(shù)照片不是專業(yè)的醫(yī)學(xué)影像，角度、尺寸和亮度五花八門。最后，他們選出了129450張皮膚病變圖片，其中包含2032種不同的疾病。每張照片是作為一個帶有相關(guān)疾病標簽的像素輸入進算法的。這樣，研發(fā)者省去了許多前期的圖像分組工作，大大提高了數(shù)據(jù)量。

圖片樣本：良性和惡性的上皮細胞/黑色素細胞/皮膚鏡下的黑色素細胞。經(jīng)過訓(xùn)練后，研究者們使用由愛丁堡大學(xué)和國際皮膚影像合作項目（InternationalSkinImagingCollaborationProject）提供的高質(zhì)量的、經(jīng)活檢證實的照片來檢測機器的學(xué)習(xí)成果，照片涉及兩種最常見、也最致命的皮膚癌：惡性黑色素瘤和角質(zhì)形成細胞癌。21位人類皮膚科醫(yī)生被要求觀察其中的370多張圖片，并對每一張作出判斷：是要進一步進行活檢或治療，還是告訴病人一個好消息。

在測試中，人工智能被要求完成三項診斷任務(wù)：鑒別角化細胞癌、鑒別黑色素瘤，以及使用皮膚鏡圖像對黑色素瘤進行分類。研究者通過建構(gòu)敏感性（sensitivity）-特異性(specificity)曲線對算法的表現(xiàn)進行衡量。敏感性體現(xiàn)了算法正確識別惡性病變的能力，特異性體現(xiàn)了算法正確識別良性病變，即不誤診為癌癥的能力。在所有三項任務(wù)中，該人工智能表現(xiàn)與人類皮膚科醫(yī)生不相上下，敏感性達到91%。

算法診斷不同數(shù)量的角化細胞和黑色素細胞圖片時的敏感性，均在91%以上。除了媲美人類醫(yī)生的診斷敏感性之外，該算法還有一大亮點，它的敏感性是可以調(diào)節(jié)的。研究者可以依據(jù)想要的診斷效果對敏感性進行調(diào)整。

未來的掌上醫(yī)生

這個算法現(xiàn)在還需要依托一個計算機運行，但斯坦福的這個團隊會努力把它縮小到可以在手機上裝載的地步。他們覺得這種改裝還是挺容易的，只是還需要更多實打?qū)嵉呐R床檢驗。在不遠的未來，也許人們手指輕輕一點，就可以進行靠譜的皮膚癌診斷。

Thrun實驗室的研究生Esteva說道，“當我想到智能手機強大的存在感后，我真是靈光一閃。未來每個人口袋里都會裝著一個超級計算機。如果我們用它來篩查皮膚癌，或者其他疾病呢？“

誠然，深度學(xué)習(xí)這塊土壤培植了太多可能性。斯坦福大學(xué)針對皮膚癌篩查的這個算法只是打開了通往新世界的一個小口子，在未來，基于深度學(xué)習(xí)的人工智能將在更廣闊的醫(yī)療領(lǐng)域內(nèi)與人類大夫們并肩作戰(zhàn)。

更多資訊請關(guān)注機器視覺頻道