介绍了基于计算机视觉的方法检测皮肤癌和白内障的方法

悬壶济世、救死扶伤是每一个医者的心愿，得到准确的诊断和悉心的治疗也是每一位患者的心愿和早日康复的重要因素。但由于医疗资源紧张、医患比例不均使得很多患者得不到有效的诊断和及时的救治。同时医院中拥挤冗长和低效也让医患双方的诉求得不到满足。

而人工智能作为下一波技术浪潮，将新的技术和生产力带入到医疗特别是医学检测方面，给满负荷运转的医疗系统带来了新的动力。AI的加入，不仅能将最简单的诊治技术带入到技术所能触及的每个角落为医疗资源短缺的地区送来及时的技术补充，同时也将从繁重的重复劳动中解放医生，成为医生有力的助手，使得他们可以将智慧和精力投入到疑难诊治和疾病研究中去。本文的两个案例介绍了基于计算机视觉的方法，检测皮肤癌和白内障的工作，将医生的经验转化成AI算法的识别技术，更高效准确的进行检测。

用AI诊断皮肤癌

 

斯坦福大学一个研究团队提出了根据皮肤图片来诊断皮肤癌罹患概率的新方法，虽然这并不是第一个能自动识别皮肤病变的算法，但在深度学习的帮助下它却是目前为止最为稳定可靠的方法！

皮肤病研究专家觉得这是一件十分令人兴奋的事情，计算机识别和检测能够达到人类专家的水平，意味着在这在这一细分领域的检测效率能得到大幅的提高。这项研究的目的在于为每一个拥有智能手机的人都提供准确高效的医疗服务。参与这项研究的Andre Esteva表示这样的技术可以拓展现有的医疗服务范围，减缓医疗资源紧缺的矛盾。

首先通过ImageNet的数据对模型进行了预训练。随后研究人员利用目前最大的皮肤癌分类数据集（包含2000病历进13万张病变图片）对模型进行的进一步的调整的改进，最后得到了一个可以检测输入皮肤图像中是否含有皮肤癌的神经网络模型。

在对比研究中，算法和21个得到认证的皮肤科专家的诊断结果进行了一一对比。他们需要从数以百计的从未见过的皮肤科病例图像中判断哪些是需要进一步诊断的，哪些是良性的。最终结果表明，计算机和专家的表现难分伯仲，比如，计算机同样和医生一样准确的也可以分辨出角质形成细胞癌——最常见的人类皮肤癌，和称之为脂溢性角化病的皮肤良性增生。但这一项目在真正用于临床诊断之前还需要经受更严峻的考验。研究人员表示，目前还没能让算法区分出难以分辨的脂溢性角化病和黑色素瘤”。

 

皮肤科医生对于病情的诊断完全基于视觉的信息。目前还不清楚计算机能否与医生在临床环境中表现的一样优异，临床上他们可以通过对病变做物理检查、阅读病人的病史，同时还可以通过触摸诊断患者的病情。

“如果这个算法可以被实践证明有效，那会是对医学界的一个巨大的颠覆。医疗系统大多都是不需要医生面诊的人，如果计算机能成功应对这些病例，就可以让医生更迅速高效的面诊有需要的病人。”Leachman说。

这一技术还可以集成到手机APP中，只要拥有智能手机就可以进行方便的皮肤癌检测：

 

真正的将最前沿的技术带到了每一个需要它的人手中

虽然有可能并不是所有皮肤科专家都欢迎人工智能进入他们的领域，肯定会有一些人害怕机器抢走他们的工作，同时有很多人对计算机的能力持怀疑态度，尤其是针对不够稳定的在线诊断应用软件。但另一方面，也会有医生认为新科技的应用让他们有时间去开拓更先进的领域，把时间留给更需要处理的疑难杂症，把效率留给更多需要帮助和治疗的人们。让我们把时间和经历花在尚未解决的问题上，而把我们已知算法处理的事物留给电脑。

用AI检测白内障，帮助患者重见光明

既然AI可以用在皮肤癌的诊断上，那么同样是医学图像的检测是不是也能被AI搞定呢？基于AI的图像检测技术可以解决那些医护人员短缺地区的诊断检查问题，研究人员们于是将目光转到了在广泛存在的白内障诊断上。

从前偏远地区的白内障（包括儿童的先天性白内障，会导致失明）检查只能由下乡的医生完成，频率和覆盖范围都不够，患者往往的不到及时的诊断遗漏了最佳的治疗时机。

来自中山大学的眼科专家Haotian Lin和同事们希望利用AI 解决这一问题，为更多的人送上准确方便的眼科检查技术。但当他们在解决这一问题的时候他们面临着一个需要解决的问题——数据！

我们都知道数据对于深度学习系统十分重要，对于神经网络来说就如火箭的燃料般重要。如果数据充足算力强劲的情况下，我们很有可能可以通过训练网络来解决特定的问题。但在有限的数据条件下，深度学习还能取得良好的效果吗？

一篇DeepMind的研究启发了研究人员们的思路，该研究演示了机器学习算法如何在有限的信息(最小化的初始信息)指导下开始学习，在一系列街机游戏中击败专业的人类玩家。受到这项研究的启发，Haotian Lin和他的同事提出一个新的想法，创造一个可以自己从临床数据库中挖掘儿童的白内障数据的AI。

通过和来自西安电子科技大学的Xiyang Liu教授团队合作，他们创建了一个叫做CC-Cruise的AI项目，它可以诊断先天性白内障，预测疾病的严重程度，并给出治疗建议。CC-Cruise在之前提到的数据上进行训练。

 

三种数据

 

训练过程

研究员做了五次测试以验证CC-Cruiser的准确率。第一次，在计算机模拟的医疗条件下，这个AI项目可以以98.87%的准确率来区分出病人和健康的成人，以93%以上的准确性估计疾病严重程度的三项指标——晶状体混浊区域、密度和位置，以97.56%的准确率给出相应的治疗建议。

研究团队希望这个平台最终能帮助那些没有眼科专家的医院来进行白内障诊断，所以第二次他们和三个医疗条件不是很发达的医院合作，对来自中国儿童的57张眼部图像进行了一项临床试验。测试结果表明CC-Cruiser同样表现良好：98.25%的识别准确率，超过92%的三项指标估计和92.86%的治疗建议的准确性。

另外，研究人员希望研究低质量的眼病图像对CC-Cruiser诊断结果的影响，于是他们进行了第三次实验测试。他们随机从网上下载了53个眼病图像，并利用CC-Cruiser进行测试，它仍然达到了很高的精确度。但是研究人员并没有就此停止测试，第四次他们又进行了三次“大海捞针”一样的测试，这个算法每次都能从300例正常眼睛图像中成功找出三张白内障图像。

最后，为了模拟真实世界的使用，他们直接让算法和三位医师一起临床诊断50个病人，这三位医师分别是眼科专家、有经验的眼科医生和没经验的眼科医生，结果表明计算机和专家的水平不相上下。

在这次测试中，也许是训练图像数量不足的原因，算法确实出现了很少的几次误诊，所以林医生希望建立一个更大的数据集以改进它的性能。他们计划建立一个协作云平台来实现这一目标，但林强调，这项技术并不能保证100%正确率的最佳治疗方案，医生应该充分利用机器的建议来补充他们自己的判断以识别和防止潜在的误诊情况。

 

自动化检查过程

所以，CC-Cruiser不可能迅速的取代眼科医生。 林说，“尤其是在一个关键技术上——人与人的交流和有效的互动，这是治疗中不可或缺的，让机器来模拟人类的情感是非常有挑战性的。医生和患者之间面对面的互动将是人类智慧的最后堡垒”。研究小组希望，通过进一步的临床试验，非专科医院可以使用这个算法确定病情后将病人送到专科治疗中心。病人也可以选择先让算法来为自己诊断，如果对诊断结果存在疑虑的话再去找专家。”林补充说：“人工智能的最终目标是结合人类的能力利用它，使世界变得更美好。”