*本文所涉及专业部分，仅供医学专业人士阅读参考
皮肤镜技术近年来逐渐受到皮肤科医师和相关学科医师的广泛欢迎，CNN在皮肤病影像领域也取得引人瞩目的进展。
在中华医学会第二十六次全国皮肤性病学术年会（CSD）上，医院刘洁教授介绍了皮肤镜图像智能辅助诊断技术，表示此技术可辅助未经皮肤科专业受训的医生和低年资皮肤科医师增加诊断把握度、拓宽鉴别诊断、提高诊断准确性。图1：会议讲课截图皮肤镜是一种观察活体皮肤表面以下微细结构的无创性显微图像分析技术，是皮肤癌早期诊断的有效辅助工具。在国外，皮肤镜技术已应用多年，其对于皮肤恶性肿瘤早期诊断上的重要辅助价值已为大量研究所证实。然而，依靠肉眼对皮肤肿瘤进行诊断，主观性大,即使训练有素的医生其诊断也存在较大的差异。皮肤镜图像计算机辅助诊断系统可以对病变组织自动提取、智能识别，具有定量测量和分析的功能，使诊断更加精确、客观，未来有望成为辅助医生诊断的工具。随着大数据时代的到来和计算机技术及设备的进步，深度学习尤其是深度卷积神经网络（convolutionalneuralnetwork，CNN）在医学影像领域成为研究热点，在皮肤病影像领域也取得引人瞩目的进展。为了使医生更好地了解CNN，刘洁教授从背景、概念、分类、优势、应用等方面对其进行了讲解。1.背景：皮肤科医患供需不平衡
1
皮肤病复杂多样：1.皮肤是人体最浅表和复杂的器官2.皮肤疾病＞种3.皮肤疾病多样肿瘤：恶黑，淋巴瘤，BCC
色素异常性疾病：白癜风
损容性疾病：瘢痕
炎症性、感染性疾病：银屑病
遗传性疾病，等等
2
皮肤科医疗需求量大，资源相对不足以医院皮肤科门诊为例，每年有30万患者，然而仅有30余位医生，人员严重不足。从国家精准扶贫义诊现场可见，我国有大量皮肤病患者得不到救治，基层皮肤科医疗资源匮乏。在上述背景下，皮肤科智能辅助诊断技术应运而生。2.智能辅助诊断的概念和分类
1
智能辅助诊断的概念人工智能之父约翰·麦卡锡在年提出：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。
狭义的人工智能是指能够与人一样，甚至比人更好地执行特定任务的技术。
基于医学影像学的计算机辅助技术是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助发现病灶，提高诊断的准确率。
2
智能辅助诊断的分类基于传统机器学习的智能辅助诊断：传统的图像分析系统包括预处理、分割、特征提取和识别等步骤。提取低层特征，对小样本学习、分类器的学习能力有限，临床应用难度大。
图2：基于传统机器学习的智能辅助诊断步骤基于深度学习的智能辅助诊断：深度学习模型能够从大数据中挖掘高级特征，且诊断模型可以是端到端的。其中就包括CNN。
图3：基于深度学习的智能辅助诊断CNN可根据皮肤镜图像建模，之后即可识别临床图片。通常情况下，使用高分辨率的图片训练得到的CNN，可以用以识别低分辨率的图片。CNN亦可以根据需要调整，并获得理想的特异度或敏感度值。3.CNN和皮肤科医生谁更胜一筹？
1
CNN与皮肤科医生的诊断准确性不相上下Nature杂志近期刊登的一篇文章表明皮肤癌辅助决策人工智能的黑素细胞肿瘤模型达到医师水平。图4：文章图片德国、美国和法国的研究人员将CNN对黑色素瘤皮肤镜图像的诊断表现与58位皮肤科医师进行了对比[1]。CNN使用10万多幅恶性黑色素瘤图片作为练习，另外幅皮肤镜图像作为测试集。58位皮肤科医师对幅皮肤镜图像中最难的幅给出诊断和下一步管理；4周后根据临床信息结合皮肤镜图像再次给出诊断和下一步管理策略。结果显示，在医师结合病史判断的情况下，CNN依旧胜出。图5：结果数据另一项研究显示，使用皮肤镜图片训练的CNN对恶黑临床图片的分类水平与位皮肤科医师相当[2]。图6：结果数据一份基于网络的国际公开诊断学研究比较了皮肤科医师及机器学习分类色素性皮损的准确性[3]。结果显示，AI平均水平(19.92)比皮肤科医生平均水平(17.91)多正确2.01题；结果最好的3种算法平均水平(25.43)准确性比有10年以上的专家平均水平(18.78)更高。结果显示AI分类各类色素性皮损(包括黑素细胞源性及非黑素细胞源性)准确性高于皮肤科专家平均水平。此外，一份单中心前瞻性诊断性研究探讨了CNN在远程皮肤科临床应用中的准确性[4]。本研究首次于远程医疗、患者自行拍照的环境下对包括87个病种的病例进行了CNN的前瞻性临床验证，结果发现与训练集相同的Fitzpatrick皮肤类型病例在验证时有更高的准确性。同时结果显示CNN在辅助家庭医生和低年资皮肤科医师增加诊断把握度、拓宽鉴别诊断、提高诊断准确性方面有一定前景。图7：结果数据2
强强联手才是最佳选择研究发现，皮肤科医师及CNN联合可更准确分类皮肤恶性肿瘤[5]。在该研究中，CNN使用张皮肤镜图片进行练习，测试图片为张经活检确诊的皮肤镜图片。名皮肤科医师每人随机诊断测试集中50张图片，回答分类结果、是否活检和把握程度。皮肤科医师多分类准确性42.94%，活检决策敏感性66%、特异性62%；CNN多分类准确性81.59%，活检决策敏感性86.1%、特异性89.2%。CNN和皮肤科医生联合分类时多分类准确性为82.95%，活检决策敏感性89%、特异性84%，比CNN或皮肤科医生单独诊断时更加准确。刘洁教授团队以色素痣和脂溢性角化病为例，比较了CNN与皮肤科医师诊断的准确率，并对CNN错误分类的皮肤镜图像进行了分析。团队使用幅色素痣和脂溢性角化病的皮肤镜图像对CNN进行训练，建立CNN二分类模型，并应用该模型对30幅色素痣和30幅脂溢性角化病的皮肤镜图像进行自动分类。同时95位经过皮肤镜培训的有经验的皮肤科医师结合临床皮损图片对上述CNN自动分类的60幅皮肤镜图像进行判读。结果显示，CNN自动分类模型与95位皮肤科医师对色素痣和脂溢性角化病的诊断准确率差异无统计学意义（χ2=0.38，P＞0.05），说明CNN自动分类模型在色素痣和SK皮肤镜图像的二分类任务中的表现与有经验的皮肤科医师水平相当。总结
最后，刘洁教授表示，皮肤镜技术近年来逐渐受到皮肤科医师和相关学科医师的广泛欢迎，CNN在皮肤病影像领域也取得引人瞩目的进展，在我国推行皮肤镜图像智能辅助诊断技术也将对我国皮肤镜技术教学、推广和研究带来裨益。
参考资料：[1]H.A.Haenssle1,C.Fink,etal.Managainstmachine:diagnosticperformanceofadeeplearningconvolutionalneuralnetworkfordermoscopicmelanomarecognitionin推荐文章
热点文章
