近日，《Nature》雜志在封面發表一篇文章：利用深度學習算法診斷皮膚癌，準確度達到91%，可以與醫生比肩。

不知道大家是否還記得谷歌神經網絡是如何辨別貓和狗的?人工智能和人不同，一個小孩見了幾次貓以后他就知道貓是什么樣子的，但是對于一個機器，人們需要給它喂數以萬計的圖片以后，它經過深度學習才能識別出什么是貓。

同樣的，如果人給人工智能系統提供高質量的皮膚癌圖片，系統經過機器學習也可以識別出什么是皮膚癌，最近斯坦福大學在《Nature》上發表了一篇與此相關的研究成果，并將該人工智能系統與24位資深的皮膚病專家相對比，發現系統的準確率在91%左右。

該文章第一作者，斯坦福大學的研究生Andre  Esteva說：“我們做了一個非常強大的人工智能算法，可以從數據中進行學習，通過寫代碼，讓系統自己去發現該去識別、尋找什么內容。”

這個算法被稱為卷積神經網絡，它最開始出現在谷歌大腦中，利用自身驚人的計算能力可以強化算法的決策能力。通過斯坦福大學研究以后，神經網絡已經能夠從大約1000個不同類別中識別128萬幅圖像，但是，研究人員需要從一個良性的脂溢性角化病了解惡性腫瘤。

從一堆波斯貓中分辨出狗來，準確率無傷大雅，但是如何區別各種皮膚病的不同斑點，并從中識別出皮膚癌，這是事關人命的大事，對準確率要求極高。

皮膚上彩色的斑點是個大麻煩，算法如何區分是個難題

篩選圖像數據

該文章的共同作者斯坦福研究生Brett  Kuprel表示：“該研究的另一個難點在于，當時還沒有足夠大的高質量皮膚癌圖像數據來訓練人工智能算法，我們必須自己來解決。”甚至在處理圖片之前，他們還要做一些翻譯工作，“我們在互聯網上搜集了一些圖片，與醫學院合作，將這些圖片分類整理，并打上標簽——這些標簽包括德語、阿拉伯語、拉丁語等等”

不僅要翻譯整理，還要對圖像進行處理。皮膚病專家經常使用一種叫皮膚鏡的儀器來仔細檢查病人，所以，醫療人員基本都是通過放大率和透視角度大體一致的醫學圖像診斷疾病。但是互聯網的圖片千差萬別，有的是用手機，有的是用儀器，有的用照相機等，并且環境不同效果也不一樣，角度、焦距和照明方面也各不相同。

最后，研究人員還是收集到了約130000幅皮膚病變的圖像，包含了超過2000種不同的疾病。他們使用這些圖像創建了一個圖像庫，并將其作為原始像素提供給算法，每個像素都帶有標簽，描述了相關疾病的附加數據。然后研究人員研究出一套算法，讓算法弄清楚了這些圖片的內在聯系：即疾病經由組織傳播在外觀上所遵循的規則。

這就是人工智能如何分割它所看到的不同類別皮膚病圖片

研究結果出來以后，為了驗證算法的準確性，研究人員從斯坦福大學醫學院請來了21為皮膚病專家，從三個角度來對算法進行驗證：角質細胞癌分類、黑色毒瘤分類和使用皮膚鏡檢查的結果對黑色素瘤進行分類。

在最后的測試中，研究人員只是使用了高質量、并且活性被驗證的惡性黑色毒瘤和惡性腫瘤圖像，并標記哪些需要治療、活檢或者僅僅是安慰一下。當研究人員將人工智能系統得到的診斷結果與21名醫生診斷的結果相對照的時候發現，所有癌性病變和不得到假陽性結果兩方面都表現良好，準確率在91%，這已經與醫生的水平相當了。

利用手機做診斷

Esteva表示：“雖然團隊尚未做出一個上線的APP，但是這已經達到我們的預期，我們的本意就是想讓民眾獲得更優質、方便的醫療服務。更讓我興奮的是，現如今智能手機已經無處不在了，每個手機上都含有各種各樣的傳感器和相機，我們可以通過手機圖像直接用人工智能系統判斷是否患皮膚癌，同時如果皮膚癌的問題解決了，那么其他疾病還會遙遠了嗎?”

無論怎樣，在進入商業化之前，下一步還需要進行更多的測試，并細化算法。“重要的是我們知道了人工智能為了區分圖片是如何做決策的。良性和惡性皮膚病變計算機輔助分類研究的進展，可以幫助皮膚病醫生提高診斷具有挑戰性的病病變的能力，并為患者提供更好的管理方案。”論文作者斯坦福大學皮膚科教授Susan  Swetter表示，“不過在在臨床實踐中實施之前，嚴格的前瞻性驗證算法是必要的。”