AI再登Nature封面：诊断皮肤癌，准确度堪比专家

《超能陆战队》中的机器人暖男“大白”，在电影上映之后很是火爆了一阵子。大白的基本技能，“哔”一下完成对人类的健康状况的检查和诊断，是电影中对未来科技的想象之一。最近，这种想象已经接近于成为现实。Nature杂志以封面文章的形式报道了一个斯坦福大学研究团队将人工智能（AI）和医学诊断相结合的最新成果。AI通过分析图片，可以诊断出数种人类皮肤癌症。这项成果有别于传统的图像识别，科学家训练深度卷积神经网络（convolutional neural networks，CCNs，一种深度学习算法）去识别皮肤损伤，准确率堪比有多年行医经验的“专家级”人类医生。

图片来源：Nature

皮肤损伤疾病可以分成三大类：第一种是非增殖性损伤，如痤疮等炎症；第二种是良性但对健康有害的细胞增殖，例如囊肿；第三种，也是最严重的，是恶性肿瘤，癌细胞不受控地增殖，并具有转移到其他器官组织的风险，需要尽快治疗。

皮肤疾病的分类。图片来源：Nature

临床上，皮肤科医生通过观察患者皮肤患病处的状况来帮助进行诊断，当然还需要一些非视觉检查手段的辅助。之前已有研究表明，对于一些类型的皮肤癌，医生们面对面地观察病患，或者研究拍摄的皮肤图像，诊断结果相差并不大（J. Am. Acad. Dermatol., 2015, 72, 426-435）。这说明，基于图像的诊断有希望用于这类皮肤癌的早期诊断，或者帮助决定是否需要立即进行进一步的处理。这样的诊断结果可以通过后续的临床样本活检，验证其准确性。

一个医生对皮肤癌症诊断的准确率有赖于经验的积累，这对患者来说并不总是好事，毕竟经验丰富的医生相对于病人来说永远都很稀少。

斯坦福大学的Andre Esteva、Brett Kuprel、Roberto A. Novoa、Sebastian Thrun等人瞄准这一需求，采用深度卷积神经网络，通过大量训练发展出模式识别的AI，使计算机学会分析图片并诊断疾病。AI和医生有很多不同之处。例如，医生诊断黑色素瘤时会遵循ABCDE规则（详见下图），同时要依靠经验来判断皮肤损伤的类型。而人工智能则用自己的方法分析，甚至有能力辨别出肉眼无法察觉的形状特征。

黑色素瘤自测图。图片来源：University of California, San Francisco

训练计算机的数据库由129,450张皮肤损伤图片和对应的文字描述组成，涵盖了2032种皮肤病。而诊断的“参考答案”则由皮肤病专家提供，他们依靠的是非侵入性图像分析和组织活检。

之后，计算机迎来了“毕业考试”。研究者向受训的计算机和21名执业医师分别提供了一批训练数据集中没有出现过的皮肤损伤图片，这些图片都由组织活检确定了对应的病症。诊断比赛的结果令人大跌眼镜，计算机的准确率和人类医生差不多，甚至有时候还略好一点。

训练和测试人工智能诊断皮肤病。图片来源：Nature

测试用的图片分别来自两类良性和恶性病变。一种是黑色素细胞病变，包括痣（良性）和黑色素瘤。另一类是角质形成细胞病变，包括良性脂溢性角化症和非黑色素细胞癌。但一些困扰医生的特殊情况，在这项研究没有拿来测试计算机的诊断结果。例如，研究者没有报道计算机是否能够区分黑素瘤和脂溢性角化症，这两种皮肤病外观非常相似。

这项研究中人工智能表现如此神勇主要归功于超大的学习数据库（图片量约为此前报道的100倍）。这就意味着继续扩大数据库，计算机的诊断准确率还将继续提高。其诊断过程中出现的错误，也能不断修正算法并进一步提升准确率。

不过，一种算法的准确率上限是它的参考标准。在皮肤病诊断中，病理学家对病变组织的活检就是参考标准。但组织活检也不总是正确的，最终极的检验标准是跟踪病变组织后续的发展，确认是否为恶性肿瘤。也就是说，人工智能诊断的准确率甚至有可能高过活检。

说不定在不远的将来，手机上装一个APP就能实现对一些疾病的诊断，患者可以非常方便、廉价地了解自己的健康状况。即使不幸罹患恶性疾病，也能早发现早治疗，提高生存率，降低医疗成本。

但用人工智能诊断疾病也面临着一些风险。拿皮肤癌来说，如果人们过于依赖计算机的“DIY诊断”，一些高危人群可能会错过医生的全身检查，要知道有很多皮肤癌就是全身检查时“无意中”发现的。

—— 氘评 ——

自从“阿法狗”及其后续升级版单挑撂倒一众人类围棋高手，不管是科学家还是老百姓都对人工智能津津乐道。拿化学领域来说，2016年就有科学家用晶体生长条件数据库训练计算机，在预测晶体制备策略的比赛中击败了人类化学家（同样是Nature 封面文章，点击阅读详细）；在优化Suzuki偶联反应的条件时，人工智能也大显身手（点击阅读详细）。人工智能的发展不可阻挡，它的能耐早已不止是赢盘棋了。

有没有感到危机感啊，人类？

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Dermatologist-level classification of skin cancer with deep neural networks

Nature, 2017, 542, 115-118, DOI: 10.1038/nature21056

部分内容编译自：

http://www.nature.com/nature/journal/v542/n7639/full/nature21492.html

（本文由氘氘斋供稿）