人工智能诊断皮肤癌准确率达 91%
（点击上方蓝字，可快速关注我们）
转自：腾讯科技
http://tech.qq.com/a/20170209/004404.htm
如果有一天，你突然发现身上的一颗痣变得有些奇怪，你会怎么做？虽然这可能是一个危险的信号，但很多人因为工作忙、去医院不便等种种原因，往往不会及时去检查。现在，人工智能为这个问题提供了更好的解决方案：在未来，我们或许可以在手机上下载一个APP，开个摄像头让机器医生帮我们看一看，这是不是皮肤癌的早期症状。
斯坦福大学一个联合研究团队开发出了一个皮肤癌诊断准确率媲美人类医生的人工智能，相关成果刊发为了1月底《自然》杂志的封面论文，题为《达到皮肤科医生水平的皮肤癌筛查深度神经网络》（Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks）。他们通过深度学习的方法，用近13万张痣、皮疹和其他皮肤病变的图像训练机器识别其中的皮肤癌症状，在与21位皮肤科医生的诊断结果进行对比后，他们发现这个深度神经网络的诊断准确率与人类医生不相上下，在91%以上。
深度学习为医学添砖加瓦
在中国，皮肤癌并不是癌症家族中特别瞩目的成员，这是因为黄种人的皮肤癌发病率要低于白种人。但在美国，皮肤癌却是最常见的癌症之一。每年约有540万美国人罹患皮肤癌。以黑色素瘤为例，如果在五年之内的早期阶段检测并接受治疗，生存率在97%左右；但在晚期阶段，存活率会剧降到14%。因而，早期筛查对皮肤癌患者来说生死攸关。
一般情况下，来到医院或诊所后，医生会基于视觉诊断进行临床筛查，再对疑似病变部位依次进行皮肤镜检查、活体组织切片检查和病理学诊断。
医生使用皮肤镜进行检查。但由于各种各样的原因，很多人并不会及时为皮肤上出现的一些细小症状而跑一趟医院。因而，基于人工智能的家用便携式皮肤癌诊断设备将大大提高早期皮肤癌的筛查覆盖率，挽救更多人的生命。但是，癌症诊断，差之毫厘，谬以千里，人工智能能够胜任将黑色素瘤从普通的痣中筛选出来的任务？斯坦福大学这个联合研究团队的结论是：基于深度学习的机器医生诊断准确率十分惊人。
“我们意识到这是可行的，机器不仅能做，而且能做得和人类一样好”，斯坦福人工智能实验室助理教授SebastianThrun说道，“这时候我们的想法完全变了。我们说，‘瞧吧，这不仅仅是个学生作业，这可能有益于全人类’。”
这种视觉处理算法基于时下大热的深度学习，即通过大量的数据作为示例来训练机器完成某些特定任务。近来深度学习不仅在视觉处理方面大放异彩，也在其他不同的领域硕果累累，譬如谷歌(微博)的围棋AI阿尔法狗，就是在学习完3000万张人类棋谱后击败世界围棋冠军李世石的。在机器学习过程中，开发者不再需要对解题方法进行编码，而是任由计算机通过学习示例数据自己“摸索”出解法。具体到皮肤癌诊断这个案例中，就是研究者不再需要自己总结中皮肤癌在外观上的一些规律性特征来教会计算机，而是由它自己总结其中的模式。
以谷歌一个区别猫狗的算法为蓝本
研发者们没有自己另起炉灶，而是以谷歌的一个能在128万张图像中识别1000种物体的算法为蓝本进行加工。谷歌的这个算法原本是用来区分喵星人和汪星人的，现在，研究者们需要训练它区别良性脂溢性角化病（benignseborrheickeratosis）和角化细胞癌（keratinocytecarcinomas）、普通的痣和恶性黑色素瘤（malignantmelanomas）。
但是，在数据方面，研究团队面临的第一个问题就是并不存在一个现成可用的庞大皮肤癌数据库。所以，斯坦福人工智能实验室从互联网上收集数据，与斯坦福医学院进行合作，给这一大堆混乱的照片分类贴标签。这工作并不容易，毕竟，原始数据里的语言就有好几种，光把这些翻译统一就很耗时。
接着，联合研究团队再一起对这锅大杂烩进行筛选。专业的皮肤科医生会使用皮肤镜，一种手持的显微镜，对相关部位的皮肤进行放大观察，形成的医学影像具有一些固定标准。但这里的大多数照片不是专业的医学影像，角度、尺寸和亮度五花八门。最后，他们选出了129450张皮肤病变图片，其中包含2032种不同的疾病。每张照片是作为一个带有相关疾病标签的像素输入进算法的。这样，研发者省去了许多前期的图像分组工作，大大提高了数据量。
图片样本：良性和恶性的上皮细胞/黑色素细胞/皮肤镜下的黑色素细胞。经过训练后，研究者们使用由爱丁堡大学和国际皮肤影像合作项目（InternationalSkinImagingCollaborationProject）提供的高质量的、经活检证实的照片来检测机器的学习成果，照片涉及两种最常见、也最致命的皮肤癌：恶性黑色素瘤和角质形成细胞癌。21位人类皮肤科医生被要求观察其中的370多张图片，并对每一张作出判断：是要进一步进行活检或治疗，还是告诉病人一个好消息。
在测试中，人工智能被要求完成三项诊断任务：鉴别角化细胞癌、鉴别黑色素瘤，以及使用皮肤镜图像对黑色素瘤进行分类。研究者通过建构敏感性（sensitivity）-特异性(specificity)曲线对算法的表现进行衡量。敏感性体现了算法正确识别恶性病变的能力，特异性体现了算法正确识别良性病变，即不误诊为癌症的能力。在所有三项任务中，该人工智能表现与人类皮肤科医生不相上下，敏感性达到91%。
算法诊断不同数量的角化细胞和黑色素细胞图片时的敏感性，均在91%以上。除了媲美人类医生的诊断敏感性之外，该算法还有一大亮点，它的敏感性是可以调节的。研究者可以依据想要的诊断效果对敏感性进行调整。
未来的掌上医生
这个算法现在还需要依托一个计算机运行，但斯坦福的这个团队会努力把它缩小到可以在手机上装载的地步。他们觉得这种改装还是挺容易的，只是还需要更多实打实的临床检验。在不远的未来，也许人们手指轻轻一点，就可以进行靠谱的皮肤癌诊断。
Thrun实验室的研究生Esteva说道，“当我想到智能手机强大的存在感后，我真是灵光一闪。未来每个人口袋里都会装着一个超级计算机。如果我们用它来筛查皮肤癌，或者其他疾病呢？“
诚然，深度学习这块土壤培植了太多可能性。斯坦福大学针对皮肤癌筛查的这个算法只是打开了通往新世界的一个小口子，在未来，基于深度学习的人工智能将在更广阔的医疗领域内与人类大夫们并肩作战。
觉得这条资讯有帮助？请转发给更多人
关注 技术最前线 ，看IT要闻
人工智能诊断皮肤癌超越医生，有助病人对抗癌症
据报道，人工智能(AI)技术一日千里，很多人类从事的工作未来可能会被人工智能取代。德国、法国与美国科学家的一项联合研究发现，人工智能诊断皮肤癌的能力首次超越皮肤科医生，有助加快诊断过程，帮助病人尽早对抗癌症，并降低正常的痣被误诊为癌症的风险。
报道称，科学家利用卷积神经网络(CNN)系统，制造出这项研究使用的人工智能系统。CNN模仿人类大脑神经细胞运作，使计算机能像人类肉眼，辨认眼前影像。累积的影像数量越多，人工智能的判断就越准确。
研究人员首先输入逾10万张图片，指引人工智能系统分辨良性与有潜在危险的病灶，其后分别向58名医生和人工智能系统，展示100张恶性黑色素瘤或良性痣的照片，比较两者分辨癌症的能力。
参与测试的医生来自17个国家，逾一半有5年以上行医经验，19%的人有2至5年经验，另有29%的人经验不足2年。研究结果显示，医生平均能正确判断86.6%恶性肿瘤照片。假如提供病人的年龄、性别和可疑伤口位置等临床数据，诊断准确率可提升至88.9%，但仍低于人工智能的95%。另外，医生能正确判断76%正常良性痣，同样低于人工智能的83%。
研究团队在《肿瘤学年鉴》期刊发表论文，称卷积神经网络系统胜过大多数皮肤科医生。领导研究的德国海德堡大学教授岑斯勒指出，人工智能系统较少对黑色素瘤“看走眼”，同时较少把正常的痣误诊为恶性瘤，敏感程度高于皮肤科医生。
研究团队表示，人工智能将有助加速诊断皮肤癌，使医生得以在癌细胞扩散前及早切除，也可以避免生长良性痣的病人接受不必要的手术。
不过，研究人员认为人工智能仍然无法完全取代医生，原因是手指、脚趾和头皮等位置上的黑色素瘤难以用照片记录，加之部分病灶外表较为特殊，人工智能难以辨认，医生也可协助病人发现此前未察觉的可疑伤口。专家表示，现阶段还没有方法能取代临床检查。
人工智能——专家系统从诞生到发展
文/陈根
自从1965 年世界上第一个专家系统 DENDRAL问世以来，专家系统的技术和应用，就在短短的30 年间获得了长足的进步和发展。尤其是在80年代中期以后，随着知识工程技术的日渐丰富和成熟，各种各样的实用专家系统推动着人工智能日益精进。
专家是指在学术、技艺等方面有专门技能或专业知识全面的人；特别精通某一学科或某项技艺的有较高造诣的专业人士。通常来说，专家拥有丰富的专业知识和实践经验，或者说专家们拥有丰富的理论知识和经验知识。专家还应该具有独特的思维方式，即独特的分析问题和解决问题的方法和策略。
专家系统，就是从“专家”而来，专家系统（ExpertSystem）也称专家咨询系统，是一种智能计算机（软件）系统。顾名思义，专家系统就是能像人类专家一样解决困难、复杂的实际问题的计算机（软件）系统。可以说，专家系统是一类特殊的知识系统。
作为基于知识的系统，建造专家系统就需要知识获取，即从人类专家那里或从实际问题那里搜集、整理、归纳专家级知识；知识表示，即以某种结构形式表达所获取的知识，并将其存储于计算机之中；知识的组织与管理，即知识库；建立与维护等和知识的利用，即使用知识进行推理等一系列关于知识处理的技术和方法。
DENDRAL作为世界第一个专家系统，由美国斯坦福大学的费根鲍姆教授于 1965年开发的。DENDRAL是一个化学专家系统，能根据化合物的分子式和质谱数据推断化合物的分子结构。
20世纪 70 年代，专家系统趋于成熟，专家系统的观点也开始广泛的被人们接受。70年代中期先后出现了一批卓有成效的专家系统，在医疗领域尤为突出。MYCIN就是其中最具代表性的专家系统。
MYCIN 系统是由EdwardH.Shortliffe等人于1972 年开始研制的用于诊断和治疗感染性疾病的医疗专家系统，其不仅能对传染性疾病作出专家水平的诊断和治疗选择，而且便于使用、理解、修改和扩充。此外，它可以使用自然语言同用户对话，并回答用户提出的问题，还可以在专家的指导下学习新的医疗知识。
MYCIN 第一次使用了知识库的概念，并使用了似然推理技术。可以说，MYCIN 是一个对专家系统的理论和实践都有较大贡献的专家系统，后来的许多专家系统都是在 MYCIN 的基础上研制的。
进入20世纪80年代，随着专家系统技术的逐渐成熟，其应用领域迅速扩大。20世纪70年代中期以前，专家系统多属于数据解释型（DENDRAL、PROSPECTOR、 HEARSAY 等）和故障诊断型（ MYCIN、CASNET、INTERNIST 等）。它们所处理的问题基本上是可分解的问题。
20世纪70年代后期，专家系统开始出现其他的类型，包括超大规模集成电路设计系统KBVLSI、自动程序设计系统 PSI 等设计型专家系统；遗传学实验设计系统MOLGEN、安排机器人行动步骤的NOAH等规划型专家系统；感染病诊断治疗教学系统 GUIDON、蒸气动力设备操作教学系统 STEAMER 等教育型专家系统；军事冲突预测系统 IW 和暴雨预报系统 STEAMER 等预测型专家系统。
与此同时，这一时期专家系统在理论和方法上也进行了较深入的探讨。适于专家系统开发的程序语言和高级工具也相继问世。尤其是专家系统工具的出现又大大加快了专家系统的开发速度，进一步普及了专家系统的应用。
20世纪80年代，专家系统在生产制造领域中的应用已非常广泛，比如CAD/CAM和工程设计、机器故障诊断及维护、生产过程控制、调度和生产管理等。这些应用在提高产品质量和产生巨大经济效益方面带来了巨大成效，从而极大地推动了生产力的发展。