诊断色素性皮肤病人机pk 专家也败下阵来
人工智能，曾是充满科幻色彩的高大上概念，如今正在各个领域落地生根，包括曾被很多人认为完全不可能的医疗领域。人工智能在皮肤病诊断领域的表现，更是让人刮目相看。2019年7月，发表在《Lancet Oncol》的一项研究甚至显示，人工智能诊断色素性皮肤病的能力，完全碾压该领域的专家。
皮肤癌的诊断，需要特定的专业知识，但许多地方缺乏此类专业人员。
与肉眼检查相比，无创皮肤镜检查，显著提高了早期准确诊黑色素瘤的水平。可是，皮肤镜检查对人员的专业素质要求较高，既需进行适当的培训，还需具有一定的经验。
另外，皮肤镜检查技术不仅皮肤科医生在广泛使用，缺乏专业皮肤病医生的地区，一般行医人员和其他健康护理人员也在使用，让这一技术的价值大打折扣。
常言说，十年树木，百年树人，培养大量专业皮肤科医生并非朝夕之功。怎么办呢？人工智能时代，或许机器能帮我们解决这一棘手的难题。
目前，机器学习领域飞速发展，特别是卷积神经网络的引入，人工智能诊断皮肤癌的能力日益精进。但是，人工智能是否能达到专家的水准，尚且未知。
发表在《Lancet Oncol》的该项研究，在所有良性和恶性色素性皮肤病变临床相关亚型诊断领域，将水平最高的机器学习算法与人类判读展开PK。
这项开放性基于网络的国际性诊断研究，从1511张图像的测试集中随机选取30批皮肤图像，人类判断者进行诊断。然后，人类判读者的诊断与机器学习实验室创建的139个算法得出的诊断进行比较，这些实验室曾参加了国际皮肤成像合作2018挑战，并事先接受了10015张图像的训练集的训练。
每个病变的真实情况属于以下预先确定的7种疾病之一：包括光化性角化病和伯恩病在内的上皮内癌；基底细胞癌；包括日光性雀斑、脂溢性角化病和扁平苔藓样角化病的良性角质细胞病变；皮肤纤维瘤；黑色素瘤；黑色素细胞痣；血管病变。
2个主要结局为所有人类判读者和前3种算法间，以及人类专家和前3种算法间，每批图像特异性诊断正确的数量的差异。
本研究中，2018年8月4日~9月30日，63个国家的511名人类判读者至少尝试了1次。283/511人（55.4%）为委员会认证的皮肤科医生，118人（23.1%）为皮肤科住院医师，83人（16.2%）为全科医师。
当与所有人类判读者进行比较时，所有机器学习算法正确诊断的次数平均多2.01次（95% CI，1.97~2.04；P＜0.0001）（17.91（SD，3.42）vs 19.92（5.27））。
27名超过10年经验的人类专家平均正确判读18.78次（SD，3.15），前3种算法平均正确判读数25.43（1.95）次（平均差，6.65；95% CI，6.06~7.25；P＜0.0001）。
对于从非训练集资源中选择的测试图像集，人类专家和前3种算法间的差异显著降低（人类表现不佳率为11.4%（95% CI，9.9~12.9），机器算法不佳率为3.6%（0.8~6.3）；P＜0.0001）。
因此，在色素性皮肤病变的诊断方面，最高水平的机器学习分类方法超过人类专家，应该让其在临床实践中发挥更重要的作用。但是，这些算法可能固有的局限性为，对于未曾学习过的图像，算法的表现降低，将来的研究应该着重解决这一问题。
该研究中，对于所有色素相关皮肤病变的诊断，不仅是黑色素瘤和痣，最先进的机器算法与普通医生以及皮肤科专家一决雌雄。
结果，不仅普通医生败下阵来，连皮肤科专家也自愧不如。
因此，缺乏专业皮肤科医生的僻远地区，不用再为缺人才发愁，可以买个机器人回去！
（选题审校：黄振城 编辑：贾朝娟）
（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）
参考资料：Lancet Oncol. 2019 Jul;20(7):938-947
http://www.ncbi.nlm.nih.gov/pubmed/31201137