Nature 封面：AI 診斷皮膚癌勝過職業醫師，「手機驗癌」或可期？

該研究登上Nature572期封面。圖片來源：Nature

2017年2月2日，Nature報道了人工智慧在醫療領域的又一突破性進展——利用基於深度學習的圖片識別技術，AI 診斷皮膚癌的正確率及靈敏度均可達到甚至超過專業醫師水平。

撰文 Susan Scutti

翻譯 張競文

審校 張士超

雖然「圖像識別技術」這個詞為我們勾勒了一幅先進監控技術的願景，但是與間諜技術相比，這些設備在醫學領域的應用或許會更早一步。據Nature2017年2月2日刊登的論文（Dermatologist-level classification of skin cancer with deep neural networks）稱，斯坦福大學一研究團隊對計算機進行了訓練，使它能夠像皮膚病學家一樣準確地識別成為皮膚癌的痣和病變。

這項新的研究指出，在將來，一款簡單的手機 app 就可以幫助患者自己診斷皮膚癌——美國當前最常見的癌症。「我們的目標是把頂尖皮膚病學家的專業知識帶去那些沒有專家的地方。」這項新研究的投資人Sebastian Thrun說。他是谷歌研發實驗室（Google X）的創始人，同時也是斯坦福大學的兼職教授。他還補充道，那些發展中國家的居民們目前並不能享受到與美國及其它發達國家相同水平的醫護。

在全美國被確診的皮膚癌病例中，黑素瘤僅佔不足5%，但是皮膚癌的死亡病例中，有近四分之三都是它導致的。如果能夠及時發現，黑素瘤的五年存活率可高達99%；而如果在晚期才被確診，這個概率就會暴跌至14%。

通常，皮膚病學家只是通過觀察來判斷一個痣或其他病變是否類似癌症，然後通過後續的活組織檢測確診。

Yhrun 的研究團隊開發了一套計算機深度學習系統，來完成確診皮膚癌的第一項任務：一眼認出它來。

簡而言之，這個團隊創造出了一個自動化的皮膚病學家。

工作原理

Thrun 和他的同事們首先要使電腦具備圖像識別的功能。他們所用的方法是一種基於演算法的技術——深度學習。具體來說，研究團隊利用了卷積神經網路技術。

Carl Vondrick 是麻省理工大學計算機科學與人工智慧實驗室的一位理學博士生，他並沒有參與此項研究，但為我們解釋了計算機的工作過程。

「卷積神經網路系統是一種計算機軟體，非常擅於識別不同的概念。」他說。研究人員可以下載數字圖像，「告訴」計算機這些圖像是不是具有皮膚癌的特性。這台機器首先會嘗試著學習一些規則去判斷它是不是癌症。

「用』演算法』來概括計算機的一系列計算過程是很恰當的。所以在這裡，演算法指他們調試這個系統的全過程。」Vondrick 說。

Andre Esteva 和 Brett Kuprel 是這篇新論文的共同一作，他們都是斯坦福大學電子工程專業的博士生。Andre 說，Thrun 和他的同事們基本是從「告訴演算法這個世界看起來是什麼樣子」開始的。「我們首先從貓、狗、桌椅和日常生活中的每一件物品教起。我們用到了超過一百萬個圖像，數據量相當巨大。」Esteva 說。這個階段的學習花費了大約一周時間。

接下來，Esteva 開始訓練演算法識別不同的皮膚狀況。研究團隊要解決一個複雜的問題：對於不同的病人，皮膚癌在皮膚上引起的癥狀表現是非常不一樣的。

為了解決這個難題，研究員們給訓練過的計算機（或者說人工智慧）展示了海量的圖片，共129,450張，涵蓋超過2,000種皮膚病癥狀。這些圖像來自18個醫生在線助理存儲庫和斯坦福大學醫藥中心。

既然圖片中的每一種痣和擦傷的都是經過診斷的，這些診斷方法同樣會被計算機習得。

皮膚疾病分類圖。圖片來源：論文原文

人工智慧與人類智慧的差別

「計算機視覺和那些卷積神經網路的強大之處在於，你只需要定義輸入與輸出的信息，然後計算機就會自己習得規則，並在下次自動做出判斷。」Vondrick說。「可以說，它習得的是一系列數學上的轉化：輸入一個圖像，輸出『這是不是皮膚癌？』的答案。」

Vondrick 補充道，計算機視覺系統與人類的視覺系統還有一個重要的差別。那就是，人類獲取極少的信息量就能學會識別一個圖案，計算機卻需要學習成千上萬，甚至幾億個範例。

「在上大學之前的20年里，你可能從沒有見過皮膚癌。然後你進入醫學院就讀，只是看了一些相關的病例，就突然擅長識別這些疾病了。」他說。

良性皮膚病（上）與惡性皮膚病（下）的區別並不明顯。圖片來源：論文原文

研究人員們指出，計算機還不能達到這種學習速度，但是計算機視覺系統卻可以通過數碼圖片檢測人眼看不到的細節。

驗證效果的時候到了：研究人員們給演算法展示了之前未曾見過的圖像。他們的人工智慧系統能不能分別準確地識別出這些最常見、也是最危險的皮膚癌類型：惡性腫瘤和黑色瘤素呢？

「這個程序在對幾個關鍵病例的診斷上已經和經過認證的皮膚病學家一樣準確了。」Esteva 說。特別是，計算機可以「診斷包括黑素瘤在內的多種皮膚癌癥狀，而且我們可以只提供平常的臨床圖像，而不需要特殊的皮膚鏡圖像。」Roberto Novoa 說。他是這項研究論文的一位合著者，也是斯坦福醫學院的一位皮膚病學家。

他解釋道，醫生通常用一種專門的工具——皮膚鏡來檢查皮膚是否患癌。雖然演算法無法用到這種昂貴的儀器，該演算法的準確度和靈敏度還是與21位皮膚病學家相當，甚至更優。

在考察準確度和靈敏度的三組對比實驗中，人工智慧（藍線）擊敗了大部分職業醫師（紅點）。圖片來源：論文原文。

Thrun，Esteva 和他們的同事們都警告說，在醫療場所使用臨床設備進行正式檢查依然是有必要的。但他們相信，這項研究成果也許會推廣到其他的醫療領域，如眼科學、放射學與病理學等。

2021年，智能手機的認購量預計將達到63億，該團隊的新系統將以 app 為載體，在世界範圍內提供價格低廉的診斷與醫護途徑。

現實中的麥科伊醫生

科幻小說中充斥著電子視覺系統取代人類醫生的情節。《星際迷航》系列的電視劇和電影中，倫納德·麥科伊醫生使用名為「三錄儀」的便攜人體診斷裝置，為聯合星艦企業號上的船員們進行健康情況檢查。Sancy A. Leachman 博士（俄勒岡健康與科學大學皮膚學院院長，皮膚病學家）與 Glenn Merlino（國家癌症研究院高級研究員）在同期Nature發表關於此項新研究的評論，其中也提到了麥科伊醫生。

《星際迷航》中的「三錄儀」

兩人寫道，雖然依然是「異想天開」，機器帶來的無創診斷總會「成為現實」。他們兩人都沒有參與此項研究。

即便如此，在自動化皮膚癌診斷系統推出之前，還至少有一項課題要做深入的研究。兩人在評論中寫道，不知新研製成的人工智慧系統是否具有識別癥狀相似的不同癌症的功能。例如，系統要能夠分辨出黑素瘤和良性的脂溢性角化病。後者是一種非癌症疣。

「即使是良性的增生也可能引起特定的併發症，只有專門經過臨床診斷訓練的醫生才能夠確診。」Jill Waibel 博士說。她也是一名皮膚學者，而且是邁阿密皮膚病和激光研究所的所有人。

沒有參與該研究的 Waibel 還補充道：「醫學圖像已經極大地改變了行醫的方式。」特別是她的皮膚學領域。然而她表示，雖然已經有了許多激動人心的發現，這些新的成像系統都還在研究和調試中，以期得到最理想的應用。

對於許多科學家來說，《星際迷航》依然吸引著他們：未來世界會遍布機器，它們改正每一個錯誤，從中吸取經驗，不斷改善問題，取得進步。

「這是一項非常具體的研究，而且它得到了一個非常鼓舞人心的結果。」Thrun 說。同時，他也提醒道，在將這項研究發展為類似三錄儀的設備之前，「我們在研究上還有很長的路要走。」

論文信息

【論文題目】Dermatologist-level classification of skin cancer with deep neural networks

【作者】Andre Esteva,Brett Kuprel,Roberto A. Novoa,Justin Ko,Susan M. Swetter,Helen M. Blau & Sebastian Thrun

【期刊】Nature

【DOI】10.1038/nature21056

【摘要】Skin cancer, the most common human malignancy1, 2, 3, is primarily diagnosed visually, beginning with an initial clinical screening and followed potentially by dermoscopic analysis, a biopsy and histopathological examination. Automated classification of skin lesions using images is a challenging task owing to the fine-grained variability in the appearance of skin lesions. Deep convolutional neural networks (CNNs)4, 5 show potential for general and highly variable tasks across many fine-grained object categories6, 7, 8, 9, 10, 11. Here we demonstrate classification of skin lesions using a single CNN, trained end-to-end from images directly, using only pixels and disease labels as inputs. We train a CNN using a dataset of 129,450 clinical images—two orders of magnitude larger than previous datasets12—consisting of 2,032 different diseases. We test its performance against 21 board-certified dermatologists on biopsy-proven clinical images with two critical binary classification use cases: keratinocyte carcinomas versus benign seborrheic keratoses; and malignant melanomas versus benign nevi. The first case represents the identification of the most common cancers, the second represents the identification of the deadliest skin cancer. The CNN achieves performance on par with all tested experts across both tasks, demonstrating an artificial intelligence capable of classifying skin cancer with a level of competence comparable to dermatologists. Outfitted with deep neural networks, mobile devices can potentially extend the reach of dermatologists outside of the clinic. It is projected that 6.3 billion smartphone subscriptions will exist by the year 2021 (ref. 13) and can therefore potentially provide low-cost universal access to vital diagnostic care.

【鏈接】http://www.nature.com/nature/journal/v542/n7639/full/nature21056.html