人工智能在皮膚病學中的應用及展望

熊喜喜 魯嚴

隨著人工智能(AI)技術(shù)的快速發(fā)展,其在醫(yī)療領(lǐng)域的應用也越來越廣泛。在皮膚病學領(lǐng)域中,AI技術(shù)已經(jīng)被應用于皮膚影像識別、診斷輔助、治療方案制定、疾病預測、健康管理等方面,為臨床醫(yī)生提供了更為準確、高效的診斷和治療方案參考。本文將對近年來與皮膚病學相關(guān)的AI文獻進行綜述,總結(jié)AI在皮膚病學方面的應用情況。

1 認識AI

1.1 AI的定義 AI是指使機器能夠像人類一樣執(zhí)行智能任務的一種技術(shù)。這種技術(shù)旨在通過模擬人類的思維、學習、推理、自適應和自我修正等能力,使機器能夠完成以前只有人類才能完成的任務,例如語言理解、視覺識別、自動駕駛等。它不僅可以讓機器執(zhí)行基本的計算任務,還可以在更高級別的任務中模擬人類的智能水平。

1.2 AI的分類 按照不同的分類方法,AI可以分成不同的類別,以下是常見的幾種分類方法。(1)按照智能程度的分類:分為弱AI和強AI。弱AI只能完成特定的任務,而強AI則具有類似于人類的智能,能夠進行多種任務。(2)按照學習方式的分類:分為監(jiān)督學習、非監(jiān)督學習和強化學習。監(jiān)督學習是指通過給計算機提供標記好的樣本來訓練它,使它能夠準確地預測未標記的數(shù)據(jù)。非監(jiān)督學習是指讓計算機在沒有標記的情況下自行學習,識別出數(shù)據(jù)中的模式和關(guān)系。強化學習則是讓計算機通過試錯的方式學習,在不同的狀態(tài)下采取不同的行動,并根據(jù)行動的結(jié)果調(diào)整策略。(3)按照應用領(lǐng)域的分類:分為自然語言處理、計算機視覺、機器學習等多個領(lǐng)域。(4)按照技術(shù)實現(xiàn)方式的分類:分為基于規(guī)則的AI、基于神經(jīng)網(wǎng)絡(luò)的AI和混合型AI等多個類型。基于規(guī)則的AI是通過一系列預定義的規(guī)則來實現(xiàn)AI,而基于神經(jīng)網(wǎng)絡(luò)的AI則是通過模擬人類神經(jīng)系統(tǒng)來實現(xiàn)AI?；旌闲虯I則是綜合多種技術(shù)來實現(xiàn)AI。

2 AI在皮膚病學中的應用

2.1 AI與皮膚影像 廣義上,皮膚影像包括各種設(shè)備采集的皮膚相關(guān)的圖片,包括但不限于手機、數(shù)碼相機或單反相機等拍攝的臨床照片、皮膚鏡圖像、皮膚超聲圖像、皮膚CT圖像、Visia圖像、MRI影像、顯微鏡圖像等。AI計算機視覺在該領(lǐng)域通過圖像識別發(fā)揮作用,以下將列舉AI在不同疾病中的應用。

2.1.1 皮膚腫瘤:2017年,Esteva等[1]報道了基于深度學習的算法來識別黑色素瘤圖像的一項研究,其準確率達到90%以上。該研究通過129 450張圖像訓練神經(jīng)網(wǎng)絡(luò),經(jīng)過訓練的神經(jīng)網(wǎng)絡(luò)能夠?qū)ζつw癌進行分類,且準確率與皮膚科醫(yī)師相媲美。這種方法具有成為一種有效的皮膚癌診斷工具的潛力,可幫助醫(yī)生更準確地診斷和治療皮膚癌。一項前瞻性研究比較了皮膚科醫(yī)生基于皮損照片及皮膚鏡圖片、遠程評估,Foto Finder?Moleanalyzer Pro非侵入性成像技術(shù)評估以及兩者聯(lián)合診斷黑色素瘤的情況,與金標準病理結(jié)果相比,三者的敏感度和特異度沒有統(tǒng)計學差異[2]。Widaatalla等[3]對皮膚基底細胞癌的AI輔助識別和分類進行了系統(tǒng)評價,共納入15篇文獻,其中13篇基于皮膚鏡圖像、2篇基于光學相干斷層掃描(OCT)圖像、1篇基于反射式共聚焦激光掃描(RCM) 圖像,最高特異性達100%,曲線下面積為0.99,但僅有2篇文獻所用的AI經(jīng)過外部數(shù)據(jù)驗證。Huang等[4]使用深度學習模型在 KCGMH 和 HAM10000 數(shù)據(jù)集中以二分類和多分類的方式識別皮膚癌和良性皮膚腫瘤,構(gòu)建輕量化皮膚癌分類模型。 KCGMH 數(shù)據(jù)集中二元分類(良性與惡性)的準確率達89.5%;HAM10000 數(shù)據(jù)集的七級分類準確率為 85.8%,KCGMH 數(shù)據(jù)集的五級分類準確率為 72.1%。我國學者劉潔教授團隊通過深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)診斷色素痣和脂溢性角化病(SK)的皮膚鏡圖像,并與皮膚科醫(yī)師的診斷相比較,發(fā)現(xiàn)CNN自動分類模型在色素痣和SK皮膚鏡圖像的二分類任務中的表現(xiàn)與有經(jīng)驗的皮膚科醫(yī)師水平相當[5]。

2.1.2 炎癥性皮膚病:以銀屑病為例,AI在多個環(huán)節(jié)助力疾病管理:(1)診斷輔助:Zhao等[6]構(gòu)建了基于CNN的兩階段深度學習模型,用于銀屑病的識別與診斷,且該模型不依賴皮膚鏡,僅通過臨床圖像及電子病歷,該模型的誤診率、漏診率及診斷正確率均優(yōu)于皮膚科醫(yī)生。(2)皮損評估:Breslavets等[7]通過訓練后的人工神經(jīng)網(wǎng)絡(luò)(ANN)對銀屑病病人的皮損面積進行評估,平均百分比誤差(MPE)為8.71%,優(yōu)于皮膚科醫(yī)生的28.16%。人體銀屑病面積與嚴重性指數(shù)(PASI)評分智能系統(tǒng)通過采集病人特定姿勢的照片,并經(jīng)過圖像后續(xù)處理,自動識別形狀,測定紅斑、鱗屑和浸潤程度,給出整體PASI評分[8]。相比于皮膚科醫(yī)師目測評估,該方法有更好的準確性、一致性和可重復性。

此外,Wu等[9]基于EfficientNet-b4 CNN算法,開發(fā)了一種用于銀屑病、濕疹、特應性皮炎的AI皮膚病輔助診斷系統(tǒng),總體診斷準確率為95.80%,敏感度為94.40%,特異度為97.20%。

2.1.3 感染性皮膚病:痤瘡可能表現(xiàn)為粉刺、丘疹、結(jié)節(jié)、膿皰、囊腫、瘢痕等。李承旭等[10]嘗試了一種基于CNN的面部尋常痤瘡輔助分類方法,目前該模型對于粉刺、丘疹分類的靈敏度高于皮膚科醫(yī)生分類的靈敏度,但結(jié)節(jié)和囊腫的分類性能較低,尚需要進一步的完善。Han等[11]通過基于區(qū)域的CNN來創(chuàng)建標準化指甲圖像的數(shù)據(jù)集,并訓練以區(qū)分指甲和背景,獲得的模型在4個驗證集中診斷甲真菌病的敏感度和特異度分別為82.7%～96.7%和69.3%～96.7%,優(yōu)于皮膚科醫(yī)生。

2.1.4 色素性皮膚病:郭麗芳等[12]通過構(gòu)建面部白癜風AI診斷模型Vit4,在50組白癜風、30組白色糠疹、7組無色素痣、10組正常皮膚的面部皮膚圖像中的診斷準確率為88.66%(86/97),低于皮膚科醫(yī)生的診斷準確率(92.78%,90/97),但差異無統(tǒng)計學意義(χ2=2.323,P>0.05)。

2.1.5 其他:劉潔教授團隊研發(fā)的基于深度學習的AI框架可以輔助鑒別包括扁平苔蘚、酒渣鼻、病毒性疣、尋常痤瘡、瘢痕疙瘩和增生性瘢痕、濕疹和皮炎、皮膚纖維瘤、脂溢性皮炎、SK、黑色素細胞痣、血管瘤、銀屑病、鮮紅斑痣和基底細胞癌在內(nèi)的14種臨床常見病[13],總體準確率為94.8%,敏感度為93.4%,特異度為95.0%,診斷水平與皮膚科專業(yè)醫(yī)師相當。

AI在皮膚病學領(lǐng)域的應用遠不止上述所列,隨著診斷方法的不斷更新,新型的皮膚影像數(shù)據(jù)就會出現(xiàn),AI的新用法也將應運而生。

2.2 皮膚病學相關(guān)AI產(chǎn)品 2017年5月,“中國人群皮膚影像資源庫項目(Chinese Skin Image Database,CSID)”成立,旨在建設(shè)成為我國皮膚影像技術(shù)研究、教育與應用的共性資源和技術(shù)平臺。系列AI產(chǎn)品的研發(fā)都將基于CSID。目前已有產(chǎn)品逐步應用到臨床[14-15],包括:(1)多維度皮膚影像分析管理系統(tǒng)(云MIIS系統(tǒng)):可實現(xiàn)多時空整合的多模態(tài)皮膚影像數(shù)據(jù)采集、傳輸、存儲等功能的分析管理,支持“基層檢查、上級診斷”,并可整合AI應用構(gòu)建科室數(shù)據(jù)庫。(2)黃色人種皮膚腫瘤AI輔助決策系統(tǒng)——優(yōu)智AI-1.0:該應用于2018年3月在中日友好醫(yī)院首次公開發(fā)布,其通過皮膚鏡輔助診斷皮膚腫瘤良惡性分類準確率達到85.2%,對皮膚腫瘤疾病分類準確率達到66.7%;迭代產(chǎn)品優(yōu)智AI-2.0對皮膚腫瘤良惡性的識別率提升到91.2%,疾病類型的識別率提升到81.4%。(3)老年皮膚腫瘤AI遠程診療工具:于2018年6月發(fā)布,旨在賦能基層醫(yī)療機構(gòu)醫(yī)生對老年皮膚腫瘤的診斷和篩查,并在復旦大學附屬華山醫(yī)院皮膚科醫(yī)聯(lián)體內(nèi)的200余家基層醫(yī)療機構(gòu)逐步推廣使用。(4)黑甲AI-1.0:是針對甲板色素性損害的智能診斷和鑒別診斷工具,對以黑甲為主要表現(xiàn)的疾病平均識別率達到87%。(5)優(yōu)智皮膚AI系列慢病(銀屑病、白癜風)管理AI:銀屑病慢病管理AI于2018年10月發(fā)布,可輔助銀屑病的診斷及鑒別診斷、遠程會診以及相關(guān)指數(shù)的評分;白癜風慢病管理AI輔助白癜風病人的病情評估。

此外,國內(nèi)的慧捷肌膚(微信公眾號)以及睿膚學苑(微信公眾號)目前已上線多個智能應用小程序供用戶使用,小程序“睿膚識別”頁面提示該應用由華夏皮膚影像AI協(xié)作組指導,但目前僅供已認證的醫(yī)生使用:(1)智能影像可以對手機拍照或者皮膚鏡圖像進行識別,并給出幾種可能的推測結(jié)果;(2)脫發(fā)識別通過用戶上傳皮膚鏡圖片,評估其為雄禿或者斑禿的可能性;(3)基底細胞癌識別發(fā)布于2023年3月,是我國首個面向基底細胞癌輔助診療的智能化應用系統(tǒng),醫(yī)生用戶可以通過可疑的皮損照片,獲得初步輔助診斷結(jié)果;(4)病程管理中開放智能PASI評分、智能特應性皮炎(SCORAD)評分以及智能白癜風面積評分指數(shù)(VASI)評分,分別輔助銀屑病、特應性皮炎及白癜風病人的病情評估。

研發(fā)始于2016年的體素科技的皮膚AI產(chǎn)品”體素膚知匯”,摒棄單病種AI的設(shè)計思路,為用戶提供智能皮膚全病種檢測解決方案。該應用通過深度學習算法,對用戶上傳的皮損照片進行皮膚病風險評估,并通過多道選擇題問詢相關(guān)信息后給出結(jié)果和建議。

荷蘭開發(fā)的手機軟件SkinVision,通過用戶手機采集的皮損圖片信息,識別并分析是否為皮膚惡性腫瘤,其靈敏度高達95%,但特異度較低(78.3%)[16]。該軟件評估結(jié)果可以及時提醒用戶對可疑的“黑痣”保持密切關(guān)注或盡快咨詢醫(yī)生[17]。付費軟件Autoderm(https://autoderm.firstderm.com/)可以根據(jù)圖片給出幾種可能的診斷,并引導用戶進一步咨詢專業(yè)醫(yī)師。

3 展望

盡管AI在皮膚病學中應用的進展很大,甚至常有文獻報道其對皮膚病的診斷評估結(jié)果優(yōu)于皮膚科專業(yè)醫(yī)師,但基于它運行的方法和模式,AI仍有一些局限性。目前多數(shù)模型的應用結(jié)果都是基于特定的或已經(jīng)加工處理過的數(shù)據(jù)集,而缺乏推廣至真實世界臨床數(shù)據(jù)應用后的反饋統(tǒng)計,尚未看到詳細報道AI實際評估的準確性、特異性及靈敏性等數(shù)據(jù)。AI的應用成功與否很大程度上依賴于前期對機器的人為訓練是否完善到位。原始數(shù)據(jù)集的數(shù)量大小、質(zhì)量情況(包括來源是否多樣、是否有代表性等等)都將影響訓練的結(jié)果,此外,人工設(shè)置的規(guī)則能否涵蓋所有的情況、對特殊情況的預判及處理往往決定著AI適用范圍的大小。已經(jīng)商業(yè)化的AI應用通常是“黑盒子”,即,它很難解釋為什么做出了某個決策。當它做出錯誤的決策時,用戶很難找出原因并進行修正,甚至無法識別其錯誤。

2021年新英格蘭醫(yī)學雜志刊文指出,技術(shù)變化(如軟件供應商改變)、人口和環(huán)境變化(如新的人口統(tǒng)計數(shù)據(jù))和行為變化等都可能導致數(shù)據(jù)集位移[18],即開發(fā)數(shù)據(jù)集和部署數(shù)據(jù)集之間不匹配,從而出現(xiàn)AI表現(xiàn)不佳。2020年密歇根大學醫(yī)院曾由于數(shù)據(jù)集位移停用了敗血癥警報模型,原因是新冠病毒大流行改變了發(fā)熱和細菌敗血癥之間的關(guān)系(病人特征變化),導致原預警模型不再適用[18]。

AI的相關(guān)應用在推廣階段的產(chǎn)品介紹可能會夸大其實際功能,筆者通過皮膚鏡圖片及臨床圖片測試了上述列舉的幾款AI小程序,準確率不一,尚需更多臨床數(shù)據(jù)驗證。目前而言,AI在皮膚病學的應用產(chǎn)品尚處在 “嬰兒期”,未來還有很長的路要走。

筆者認為,AI是一把雙刃劍。合理使用AI,可以提高生產(chǎn)效率,大大減輕工作量,對于已經(jīng)訓練成熟的模型可考慮產(chǎn)品化后投放市場,讓市場檢驗產(chǎn)品并獲得各種反饋,同時也需要皮膚科醫(yī)師的持續(xù)監(jiān)測,不斷優(yōu)化迭代。但AI若使用不當,包括產(chǎn)品力不足(AI提供錯誤信息)、使用人操作不當(例如使用范圍不當、人種差異)、過度依賴AI(用戶全盤相信,未對結(jié)果加以驗證),則可能造成錯誤信息傳播、甚至延誤病人的治療時機。因此,廣大醫(yī)務工作者需理性看待AI,已面向市場的產(chǎn)品需提示用戶檢測結(jié)果僅供參考。

本文第一部分內(nèi)容——AI的含義及分類來自ChatGPT,筆者稍作修改。