謝俊祥 張琳

1.中國(guó)醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 醫(yī)學(xué)信息研究所 （北京 100020）

2.中國(guó)青年政治學(xué)院 圖書(shū)館 （北京 100089）

3.中國(guó)科學(xué)院大學(xué) （北京 100049）

4.中國(guó)科學(xué)院文獻(xiàn)情報(bào)中心 （北京 100190）

內(nèi)容提要： 隨著大數(shù)據(jù)時(shí)代的到來(lái)，人工智能在圖像分類(lèi)、檢測(cè)等任務(wù)中相對(duì)傳統(tǒng)識(shí)別方法均取得了令人矚目的突破。2017年，斯坦福大學(xué)人工智能皮膚檢測(cè)系統(tǒng)發(fā)布，人工智能在皮膚病診斷系統(tǒng)中的應(yīng)用開(kāi)始普遍。文章從人工智能用于皮膚病診斷的原理、方法、現(xiàn)有系統(tǒng)以及存在問(wèn)題等方面入手，分析皮膚影像計(jì)算機(jī)輔助診斷的現(xiàn)狀以及未來(lái)發(fā)展空間，以期推進(jìn)我國(guó)皮膚疾病的醫(yī)療診斷水平。

人工智能（Artificial Intelligence，AI）是當(dāng)前科學(xué)技術(shù)發(fā)展中的一門(mén)前沿科學(xué)，同時(shí)也是一門(mén)新思想、新概念、新技術(shù)不斷出現(xiàn)的新興學(xué)科。其在計(jì)算機(jī)科學(xué)、控制論、信息論、神經(jīng)心理學(xué)、哲學(xué)、語(yǔ)言學(xué)等多種學(xué)科研究的基礎(chǔ)上發(fā)展起來(lái)，目前已被應(yīng)用到地質(zhì)勘探、石油化工、軍事、醫(yī)療診斷等各個(gè)領(lǐng)域。早在20世紀(jì)60、70年代，人工智能技術(shù)就被應(yīng)用到了醫(yī)療常規(guī)疾病的診斷上，但由于研究任務(wù)的復(fù)雜性，縮小了醫(yī)療專(zhuān)家系統(tǒng)的研究范圍。直至20世紀(jì)80年代中期，Pearl的形式論使得貝葉斯網(wǎng)絡(luò)在計(jì)算機(jī)上才成為易處理，從那時(shí)起，人工智能才在臨床診斷問(wèn)題上得到了實(shí)施。但人工智能應(yīng)用到醫(yī)學(xué)影像領(lǐng)域仍較少，大部分系統(tǒng)不直接利用人工智能獲得圖像，而是依賴(lài)于由觀察者建立的主觀的觀察物[1-3]。近年來(lái)，隨著人工智能技術(shù)及方法的發(fā)展，傳統(tǒng)圖像處理方法得到了改進(jìn)，開(kāi)始應(yīng)用到皮膚病的診斷中。本文對(duì)人工智能在皮膚病診斷中的應(yīng)用原理、現(xiàn)狀、存在問(wèn)題等進(jìn)行分析，探討人工智能在皮膚病診斷中應(yīng)用的未來(lái)趨勢(shì)。

1.人工智能用于皮膚病診斷的原理

皮膚病是比較依賴(lài)形態(tài)學(xué)特征的學(xué)科，皮膚影像是皮膚病診斷的重要手段。皮膚影像診斷由最初的望診，發(fā)展到放大鏡和顯微鏡輔助診斷，再到近年來(lái)數(shù)字影像學(xué)技術(shù)。目前以皮膚鏡、皮膚超聲、皮膚CT為代表的影像技術(shù)已經(jīng)成為臨床皮膚病診斷的重要工具[4]。而人工智能技術(shù)也正是通過(guò)數(shù)據(jù)挖掘、案例推理等，對(duì)皮膚影像進(jìn)行特征分析和評(píng)價(jià)，從而對(duì)皮膚病進(jìn)行診斷。

1.1 皮膚影像技術(shù)

皮膚影像包括皮膚鏡、共聚焦激光掃描顯微鏡、皮膚高頻超聲、皮膚光學(xué)相干層析成像、皮膚太赫茲成像、皮膚光聲成像、多光子激光斷層成像技術(shù)及皮膚組織病理圖像等?；谄つw影像對(duì)各類(lèi)皮膚疾病進(jìn)行計(jì)算機(jī)輔助診斷具有客觀、可重復(fù)的優(yōu)點(diǎn)，可為醫(yī)生提供量化的診斷特征，并對(duì)皮損類(lèi)別進(jìn)行預(yù)測(cè)，從而幫助醫(yī)生對(duì)病情進(jìn)行分析和診斷。

1.2 計(jì)算機(jī)輔助診斷系統(tǒng)

計(jì)算機(jī)輔助診斷系統(tǒng)大致分為5個(gè)環(huán)節(jié)，包括皮膚影像采集、圖像預(yù)處理、圖像分割、特征提取和分類(lèi)識(shí)別。由于皮膚疾病種類(lèi)繁多，對(duì)皮損進(jìn)行自動(dòng)分類(lèi)一直頗具挑戰(zhàn)。傳統(tǒng)方法往往需要對(duì)原始圖像進(jìn)行繁雜的預(yù)處理，需要有經(jīng)驗(yàn)的工程師手動(dòng)設(shè)計(jì)特征提取器，選擇合適的分類(lèi)器進(jìn)行分類(lèi)。這類(lèi)方法泛化能力不強(qiáng)，很難實(shí)現(xiàn)復(fù)雜的多分類(lèi)任務(wù)。

1.3 人工智能技術(shù)用于皮膚病診斷

隨著大數(shù)據(jù)時(shí)代的到來(lái)和計(jì)算機(jī)硬件的巨大進(jìn)步，人工智能技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等，在圖像分類(lèi)、檢測(cè)等很多任務(wù)中相對(duì)傳統(tǒng)模式識(shí)別方法取得了很大的突破。人工智能技術(shù)用于皮膚病診斷，正是基于此發(fā)展起來(lái)的。人工智能技術(shù)通過(guò)充分挖掘數(shù)據(jù)集中存在的內(nèi)在結(jié)構(gòu)，自發(fā)地從原始數(shù)據(jù)中習(xí)得有用的特征表達(dá)，繼而通過(guò)搭建分類(lèi)網(wǎng)絡(luò)，對(duì)皮損部位進(jìn)行分類(lèi)，從而做出正確診斷。

2.人工智能方法在皮膚病診斷中的應(yīng)用

在皮膚病診斷中，常用的人工智能方法主要有基于人工神經(jīng)網(wǎng)絡(luò)、基于模糊集合、基于粒子群算法和基于遺傳算法的應(yīng)用。

2.1 基于人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）技術(shù)是一種應(yīng)用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，具有自組織、自學(xué)習(xí)和自適應(yīng)性和很強(qiáng)的非線性特性，適合解決背景知識(shí)不清楚、推理規(guī)則不明確和比較復(fù)雜的分類(lèi)問(wèn)題。其基本思想是用訓(xùn)練樣本集對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，確定節(jié)點(diǎn)間的連接和權(quán)值，再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)。該方法能有效解決圖像中的噪聲和不均勻問(wèn)題，在心血管疾病、癌癥（結(jié)腸直腸癌、乳腺癌、甲狀腺癌、卵巢癌、腦瘤、肺癌等）、多發(fā)性硬化、婦科疾病、前列腺疾病、糖尿病等疾病診斷上并已取得很好的效果，目前人工神經(jīng)網(wǎng)絡(luò)已經(jīng)開(kāi)始逐漸應(yīng)用的皮膚疾病的診斷中。

Jaleel等[5]提出了一個(gè)基于計(jì)算機(jī)的早期皮膚癌診斷系統(tǒng)。該系統(tǒng)使用數(shù)字影響處理技術(shù)和神經(jīng)網(wǎng)絡(luò)方法，使用2維小波變換（2-D Wavelet Transform）提取病變部位的分割圖像，并基于此對(duì)惡性黑色素瘤與其他皮膚疾病進(jìn)行癌變區(qū)分。Jones等[6]則比較了直方圖模型和高斯模型在皮膚病檢測(cè)中的應(yīng)用，結(jié)果顯示，在皮膚病檢測(cè)中，直方圖模型在精度和計(jì)算成本方面略有優(yōu)勢(shì)。Brand等[7]利用皮膚顏色，基于三維RGB概率圖比較了簡(jiǎn)單概率、色彩空間轉(zhuǎn)換和數(shù)值有效等三種方法在皮膚檢測(cè)中的應(yīng)用。Mittra等[8]則利用一組歸一化對(duì)稱(chēng)灰度共生矩陣（Grey Level Co-occurrence Matrices）對(duì)肌理圖像進(jìn)行分析，判斷皮膚疾病狀態(tài)。劉延喜等[9]利用神經(jīng)網(wǎng)絡(luò)方法對(duì)366名皮膚病患者的數(shù)據(jù)進(jìn)行自動(dòng)診斷識(shí)別試驗(yàn)，有效的降低了診斷錯(cuò)誤率。Barata等[10]則分析了皮膚鏡檢下黑色素瘤的局部和全局特征，發(fā)現(xiàn)病變部位的皮膚顏色和肌理對(duì)黑色素瘤的檢測(cè)極為重要。Nidhal等[11]開(kāi)發(fā)了皮膚檢測(cè)系統(tǒng)，該系統(tǒng)利用皮膚顏色和肌理進(jìn)行診斷，并以牛皮癬為例，證明該系統(tǒng)準(zhǔn)確度。

2.2 基于模糊集合的應(yīng)用

受影響設(shè)備條件限制、環(huán)境影響和患者自身情況等諸多因素影響，皮膚影像尤其具有模糊和不均勻的特點(diǎn)，影像中的區(qū)域并非總能明晰準(zhǔn)確地劃分。因此，模糊（Fuzzy）集合概念為描述模糊對(duì)象提供了可能?；谀：碚摰膱D像分割方法包括模糊閾值分割法、模糊聚類(lèi)分割法、模糊連接度分割法等。

模糊集合算法是基于RGB三元色原理。M.Hamidi等[12]基于模糊集合算法，提出了彩色圖像分割的新算法，該算法能夠自動(dòng)進(jìn)行顏色分類(lèi)和圖像分割。印度理工學(xué)院的Rajen Bhatt等[13]在2009年提出“低復(fù)雜性模糊決策樹(shù)模型（low complexity fuzzy decision tree model）”，用來(lái)對(duì)病變皮膚區(qū)域進(jìn)行高效分割和識(shí)別。Leonid Sigal等[14]基于模糊集合算法提出了一種用于實(shí)時(shí)系統(tǒng)中的新型皮膚分割方法，該方法適用于各種皮膚類(lèi)型。Idoko John Bush等[15]提出了利用人工神經(jīng)網(wǎng)絡(luò)和模糊集合的集成算法進(jìn)行皮膚疾病檢測(cè)。

2.3 基于粒子群算法的應(yīng)用

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）是通過(guò)模擬鳥(niǎo)群覓食行為而發(fā)展起來(lái)的一種基于群體協(xié)作的隨機(jī)搜索算法。優(yōu)化問(wèn)題的解決對(duì)應(yīng)于搜索空間中一只鳥(niǎo)的位置，稱(chēng)這些鳥(niǎo)為“粒子”。每個(gè)粒子都有自己的位置和速度（決定飛行的方向和距離），還有一個(gè)被目標(biāo)函數(shù)決定的適應(yīng)值。粒子們追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。在每一次迭代中，粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解。另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解。該方法主要用于醫(yī)學(xué)圖像分割、配準(zhǔn)和融合等領(lǐng)域。Abdi等[16]基于粒子群優(yōu)化、支持向量機(jī)（Support Vector Machines，SVMs）以及相關(guān)規(guī)則（Association Rules，ARs）的診斷模型來(lái)診斷紅斑-鱗狀皮膚病，其精確性達(dá)到98.91%。

2.4 基于遺傳算法的應(yīng)用

遺傳算法首先由美國(guó)學(xué)者J Holand提出，是一種建立在自然選擇和群體遺傳學(xué)機(jī)制基礎(chǔ)上的隨機(jī)、迭代、進(jìn)化、并行搜索（優(yōu)化）算法，其主要特點(diǎn)是群體搜索策略和群體中個(gè)體之間的信息交換，它能在搜索過(guò)程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí)，自適應(yīng)的控制搜索過(guò)程，以求得最優(yōu)解或近似最優(yōu)解。趙倩等[17]基于支持向量機(jī)和遺傳算法對(duì)初步提取的皮膚顯微圖像的特征參數(shù)進(jìn)行優(yōu)化組合，對(duì)皮膚顯微圖像特征選擇問(wèn)題得到較理想的結(jié)果。

3.人工智能皮膚診斷系統(tǒng)

3.1 Google檢測(cè)皮膚癌系統(tǒng)

皮膚癌是最為常見(jiàn)的人類(lèi)惡性腫瘤，病因迄今不明。其根據(jù)腫瘤細(xì)胞的來(lái)源不同而有不同的分型，包括表皮、皮膚附屬器、皮膚軟組織、周?chē)窠?jīng)、黑素細(xì)胞、皮膚淋巴網(wǎng)狀組織和造血組織等；而臨床表現(xiàn)則分為鱗狀細(xì)胞癌、基底細(xì)胞癌、惡性黑色素瘤以及濕疹樣癌。皮膚癌通常由肉眼觀察診斷，然后通過(guò)活體組織切片和組織學(xué)檢查確診。研究人員過(guò)去曾試圖開(kāi)發(fā)自動(dòng)分類(lèi)系統(tǒng)，但由于皮膚病變的外觀差異很大，實(shí)現(xiàn)這一點(diǎn)并非易事。而斯坦福大學(xué)的研究人員安德魯·伊斯特瓦及其同事，基于谷歌推出的GoogleNet Inception v3 CNN架構(gòu)，用來(lái)自2032例不同皮膚癌病例的12.9萬(wàn)張圖像，編寫(xiě)了一套能夠應(yīng)用于醫(yī)學(xué)界檢測(cè)皮膚癌變的機(jī)器學(xué)習(xí)算法[4]。該算法識(shí)別出最常見(jiàn)和病死率最高的皮膚癌類(lèi)型（分別為角質(zhì)形成細(xì)胞皮膚癌和惡性黑色素瘤），其準(zhǔn)確率與21位專(zhuān)業(yè)臨床醫(yī)生的表現(xiàn)相當(dāng)。

3.2 皮膚病人工智能輔助診斷系統(tǒng)

中南大學(xué)湘雅二醫(yī)院聯(lián)合丁香園、大拿科技發(fā)布了我國(guó)首個(gè)皮膚病人工智能輔助診斷系統(tǒng)，該系統(tǒng)主要實(shí)現(xiàn)以紅斑狼瘡為代表的皮膚病人工智能輔助診斷。該系統(tǒng)利用湘雅二院的皮膚病圖像資源、臨床數(shù)據(jù)以及專(zhuān)家資源，特別是在紅斑狼瘡的臨床研究和基礎(chǔ)研究資料。大拿科技提供人工智能應(yīng)用數(shù)據(jù)模型，丁香園在合作中協(xié)同各方優(yōu)勢(shì)資源。通過(guò)建立疾病智能診斷模型、患者服務(wù)流程、系統(tǒng)推向行業(yè)應(yīng)用等幾個(gè)階段，將該系統(tǒng)的識(shí)別準(zhǔn)確性提高到85%以上。

3.3 其他人工智能皮膚診斷系統(tǒng)及相關(guān)項(xiàng)目

北京協(xié)和醫(yī)院與北京航空航天大學(xué)合作，開(kāi)發(fā)出皮膚鏡圖片的自動(dòng)識(shí)別系統(tǒng)；武漢協(xié)和醫(yī)院與香港一家公司合作，應(yīng)用該公司研發(fā)的皮膚智能檢測(cè)系統(tǒng)（Dr.Skin），已經(jīng)可以有效地進(jìn)行常見(jiàn)皮膚病的圖像智能診斷；南開(kāi)大學(xué)與北京協(xié)和醫(yī)院合作開(kāi)發(fā)的皮膚病人工智能診斷系統(tǒng)對(duì)色素性皮膚痣的辨識(shí)準(zhǔn)確率已經(jīng)達(dá)到92%以上；北京協(xié)和醫(yī)院、中日友好醫(yī)院、中南大學(xué)湘雅二院等醫(yī)院成立中國(guó)醫(yī)療保健國(guó)際交流促進(jìn)會(huì)華夏皮膚影像人工智能協(xié)作組（Huaxia Skin Image and Artificial Intelligence Cooperation，HSIAIC）致力于開(kāi)發(fā)基于皮膚影像資源的人工智能系統(tǒng)；中日友好醫(yī)院崔勇教授發(fā)起的中國(guó)人群皮膚影像資源庫(kù)（CSID）項(xiàng)目，旨在建立可用于輔助診斷模式的、中國(guó)人群特異性的皮膚影像資源，為皮膚病人工智能系統(tǒng)提供可利用的重要學(xué)習(xí)資源等。

4.存在問(wèn)題及發(fā)展方向

人工智能用于皮膚病診斷，雖然已經(jīng)有相關(guān)的系統(tǒng)及研究表明其技術(shù)的先進(jìn)性，但并非完美無(wú)缺，其在臨床尚未普遍推廣，仍存在一些缺陷，主要表現(xiàn)在以下兩方面。

4.1 技術(shù)問(wèn)題

首先，標(biāo)本的體量不足，皮膚科疾病的病種繁多，僅書(shū)本記載的皮膚病種就近3000種，且疾病表現(xiàn)復(fù)雜，不同的疾病可能出現(xiàn)相似的表現(xiàn)，而同樣的疾病在不同人身上、不同部位、不同發(fā)病時(shí)期都會(huì)有不同的臨床表現(xiàn)。另外，皮膚病的鑒別標(biāo)準(zhǔn)和診斷標(biāo)準(zhǔn)尚未統(tǒng)一，如何提取病變部位特征、對(duì)皮膚影像的病理圖像實(shí)現(xiàn)自動(dòng)識(shí)別診斷等問(wèn)題，使得人工智能皮膚病診斷系統(tǒng)的高效準(zhǔn)確的自動(dòng)識(shí)別難以實(shí)現(xiàn)。

4.2 法律問(wèn)題

人工智能皮膚診斷系統(tǒng)對(duì)疾病的診斷，是一種醫(yī)學(xué)診斷，可直接代替醫(yī)生用于臨床，并可直接影響患者的生命健康。但誤診一旦發(fā)生，人工智能診斷的主體在法律上是人（醫(yī)生）還是物（醫(yī)療器械），尚未定論，因此對(duì)于其診斷的準(zhǔn)入條件、缺陷或過(guò)失標(biāo)準(zhǔn)、法律責(zé)任等問(wèn)題，仍無(wú)明確的法律法規(guī)規(guī)定。

盡管人工智能皮膚病診斷類(lèi)系統(tǒng)存在以上問(wèn)題，但人工智能的優(yōu)勢(shì)卻毋庸置疑。在提高診斷準(zhǔn)確率的基礎(chǔ)上，如何利用人工智能皮膚病診斷系統(tǒng)實(shí)現(xiàn)患者自助導(dǎo)診，系統(tǒng)自動(dòng)診斷、治療、藥品配送，以及患者教育、隨訪和管理服務(wù)等，是未來(lái)人工智能皮膚病診斷類(lèi)系統(tǒng)的發(fā)展方向。