基因治疗皮肤病的最新进展（神经网络诊断皮肤癌超越人类专家）

基因治疗皮肤病的最新进展（神经网络诊断皮肤癌超越人类专家）深度学习卷积神经网络（CNN）可能促进黑色素瘤检测，但是仍缺乏 CNN 与大量皮肤科医生诊断表现的对比数据。背景CNN 是一种人工神经网络，受到大脑中神经细胞（神经元）相互连接并对眼睛看到的东西做出反应时的生物过程的启发。CNN 能够从它「看到」的图像中快速学习，并根据所学知识自学来提高其性能（这一过程被称为机器学习）。论文链接：https://academic.oup.com/annonc/advance-article/doi/10.1093/annonc/mdy166/5004443摘要

今日，一篇关于皮肤癌诊断的文章发表在医疗期刊《肿瘤学年鉴》（Annals of Oncology）上，这篇出自医疗界高级管理医师的研究首次表明：深度学习卷积神经网络（CNN）在检测皮肤癌方面的表现优于有经验的皮肤科医生。对比对象是来自 17 个国家的 58 位皮肤科医生，其中包括 30 位专家。

这是人工智能又一次在医疗图像识别上实现「超越人类」的水平。尽管如吴恩达这样的著名机器学习学者领导的 AI 医疗影像研究也正在受到质疑，但随着技术的发展，越来越多基于人工智能的医疗成果正在出现，此类技术或许很快就可以帮助我们更好地应对疾病。

研究人员首次表明，深度学习卷积神经网络（CNN）在检测皮肤癌方面的表现优于有经验的皮肤科医生。

今天发表在国际著名癌症期刊《肿瘤学年鉴》（Annals of Oncology）上的一项研究中，德国、美国和法国的研究人员使用 10 万多幅恶性黑色素瘤（最致命的皮肤癌）和良性痣的图像训练了一个 CNN 来识别皮肤癌。他们将其诊断与 58 位国际皮肤科医生的诊断进行了比较，发现 CNN 比皮肤科医生漏诊的黑色素瘤更少，误诊良性痣的几率更低。

CNN 是一种人工神经网络，受到大脑中神经细胞（神经元）相互连接并对眼睛看到的东西做出反应时的生物过程的启发。CNN 能够从它「看到」的图像中快速学习，并根据所学知识自学来提高其性能（这一过程被称为机器学习）。

论文链接：https://academic.oup.com/annonc/advance-article/doi/10.1093/annonc/mdy166/5004443

摘要

背景

深度学习卷积神经网络（CNN）可能促进黑色素瘤检测，但是仍缺乏 CNN 与大量皮肤科医生诊断表现的对比数据。

方法

研究者使用皮肤镜图像和对应诊断结果训练谷歌的 Inception v4 CNN 架构。在对比横断面研究中，研究者使用了包含 100 张图像的测试集（I 级：只有皮肤镜图像；II 级：皮肤镜图像和临床信息）。研究中主要的衡量指标包括：敏感度、特异性和 CNN 对病灶进行诊断分类（二分类）的 ROC 曲线下面积（AUC），以及 58 名国际皮肤科医生。次要指标包括皮肤科医生管理决策的诊断效果，以及他们的不同诊断表现。此外，CNN 的表现还与 2016 生物医学成像国际会议（ISBI）挑战赛中的 top-five 算法进行了对比。

结果

在 I 级诊断中，皮肤科医生对病变分类的敏感性和特异性的平均得分（±标准差）分别为 86.6% (±9.3%) 和 71.3% (±11.2%)。获得更多临床信息后（level-II），得分分别提升到了 88.9% (±9.6% P = 0.19) 和 75.7% (±11.7% P < 0.05)。相比于皮肤科医生在 I 级、 II 级的特异性与敏感性得分，CNN 的 ROC 曲线显示出更好的特异性（82.5%）。CNN 的 ROC 曲线下面积要比皮肤科医生的平均 ROC 面积（0.86 vs 0.79 P < 0.01）大。CNN 的得分接近 ISBI 2016 挑战赛的 3 大顶级算法结果。

结论

我们首次对 CNN 与国际皮肤科医生团队（共 58 位，其中包括 30 位专家）的诊断表现进行了对比。大部分皮肤科医生的表现都不如 CNN。有了 CNN 图像分类辅助，任何内科医生（无论经验多么丰富）都有可能从中受益。