譚 鴻，巴 偉，李承新

傳統(tǒng)的醫(yī)療模式需要醫(yī)生一對一的診治患者，不僅耗費大量的人力物力，且無法滿足日益增長的醫(yī)療服務(wù)需求。而隨著大數(shù)據(jù)時代的到來和計算能力與云儲存能力的顯著增強，人工智能（artificial intelligence，AI）的發(fā)展，特別是深度學(xué)習(xí)（deep learning，DL）技術(shù)的進(jìn)步使得通過智能診斷系統(tǒng)實現(xiàn)輔助診治成為可能。本文將通過分析深度學(xué)習(xí)的應(yīng)用原理及在皮膚圖像分類中的最新進(jìn)展，探討深度學(xué)習(xí)應(yīng)用于皮膚病分類識別的優(yōu)點與不足。

1 深度學(xué)習(xí)用于圖像分類的原理

深度學(xué)習(xí)最早由Hinton等[1]在2006年提出，通過模仿人類神經(jīng)網(wǎng)絡(luò)來對圖像、聲音、文本等數(shù)據(jù)進(jìn)行解釋。深度學(xué)習(xí)是一種具有多層表征的表征學(xué)習(xí)方法，通過組合簡單但非線性的模塊來獲得分類特征，每個模塊將一個級別的表征（從原始信號輸入開始）轉(zhuǎn)換為一個更高級別、更抽象的表征，最后通過綜合多個高級特征來輸出結(jié)果。與傳統(tǒng)的機器學(xué)習(xí)需要人為提取特征不同，深度學(xué)習(xí)的關(guān)鍵是這些特征是深度學(xué)習(xí)算法自動分析及提取的。

深度學(xué)習(xí)是一個框架，包含多個重要算法：卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、稀疏編碼（sparse coding）、限制波爾茲曼機（restricted boltzmann machine，RBM）、自動編碼器（autoencoder）、深信度網(wǎng)絡(luò)（deep belief networks，DBN）、多層反饋循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）。不同的算法適用于處理不同的數(shù)據(jù)類型（圖像、聲音、文本）。CNN最早由LeCun提出并應(yīng)用在手寫字體識別上（圖1）[2,3]，適用于圖像識別與圖像分類。2012年，CNN在ImageNet（世界上最大的圖像識別數(shù)據(jù)庫）大賽上奪冠，表現(xiàn)出強大的圖像識別能力。CNN也包含多種模型，如AlexNet、VGG、GoogleNet、ResNet等，均已被證實在圖像識別和分類中有著良好表現(xiàn)[4-8]。

近年來，隨著AI技術(shù)的發(fā)展和大數(shù)據(jù)中心的建立，CNN在醫(yī)學(xué)圖像識別領(lǐng)域的應(yīng)用成為研究熱點。CNN是一種“端對端”模型，即輸入圖像便能輸出類別。通過使用已經(jīng)標(biāo)識醫(yī)學(xué)圖像資源，深度學(xué)習(xí)在放射學(xué)[9,10]、病理學(xué)[11,12]、眼科學(xué)[13]、心臟病學(xué)[14]等領(lǐng)域已取得了一系列突破。作為一門高度依賴形態(tài)學(xué)的學(xué)科，皮膚圖像在皮膚病的診斷中發(fā)揮著重要作用。皮膚科醫(yī)生除了借助肉眼可視圖像（臨床圖像）外，還可以通過皮膚鏡、皮膚超聲、皮膚CT、皮膚光學(xué)相干層析成像（optical coherence tomography，OCT）、皮膚組織病理檢查等技術(shù)來輔助診斷。通過已標(biāo)記的皮損圖像，深度學(xué)習(xí)可充分挖掘數(shù)據(jù)、提取特征并對皮損進(jìn)行分類。

圖1 經(jīng)典的LeNet-5結(jié)構(gòu)識別手寫字體示意圖

2 深度學(xué)習(xí)在皮膚臨床圖像分類中的應(yīng)用

臨床圖像具有易獲得、成本低的優(yōu)點，已累積的龐大數(shù)據(jù)量保證了深度學(xué)習(xí)在臨床圖像分類中的可行性。但相較于皮膚鏡圖像、皮膚組織病理圖像而言，臨床圖像并不是標(biāo)準(zhǔn)化的圖像，拍攝角度的不同、曝光程度的差異、周圍毛發(fā)的干擾與背景皮膚的凹凸不平對深度學(xué)習(xí)的分類識別存在或多或少的干擾，這些干擾限制了深度學(xué)習(xí)在臨床圖像上的應(yīng)用。人為剔除干擾較大的圖像是目前通用的研究方法，未來研究可能會通過某些干擾處理方式來增強深度學(xué)習(xí)的應(yīng)用能力，如用于識別耳郭、鼻翼、眼角等凹凸不平或毛發(fā)遮蓋部位的皮膚腫物等。2017年1月，斯坦福大學(xué)人工智能實驗室使用經(jīng)過ImageNet預(yù)訓(xùn)練的v3 CNN模型對近129 450張臨床和皮膚鏡圖像進(jìn)行自動分類，涉及2 032種不同皮膚病，使用樹狀分類法將疾病分為惡性腫瘤、良性腫瘤和非腫瘤性皮膚病，并逐級往下分類至互斥的各種疾病。21名美國認(rèn)證皮膚科醫(yī)生的表現(xiàn)至少與一種算法相匹配，該算法對皮膚惡性腫瘤和黑素瘤的曲線下面積（area under the curve，AUC）分別為0.96和0.94[15]。2018年Han等[16]使用ResNet125模型對12種皮膚腫物共計19 398幅臨床圖像進(jìn)行了分類，包括基底細(xì)胞癌、鱗狀細(xì)胞癌和黑素瘤等，該算法對各種皮膚腫物的AUC為0.82～0.96，其中黑素瘤的AUC為0.96，與16名皮膚科醫(yī)生水平相當(dāng)。上述兩項研究均采用了人機對抗的方法，機器（深度學(xué)習(xí)）達(dá)到了與皮膚科醫(yī)生相當(dāng)?shù)乃?，顯示出了深度學(xué)習(xí)在臨床圖像分類中具有良好的應(yīng)用價值和前景。其后一批韓國學(xué)者使用ECOC SVM分類器與經(jīng)過預(yù)訓(xùn)練的AlexNet模型對3 753幅臨床圖像進(jìn)行了分類，對鱗狀細(xì)胞癌、光線性角化病、基底細(xì)胞癌、黑素瘤的敏感性、特異性均在90%以上[17]。

3 深度學(xué)習(xí)在皮膚鏡圖像分類中的應(yīng)用

皮膚鏡圖像作為觀察皮膚色素性疾病的利器，對皮膚病的診斷有著重要意義。由于皮膚鏡圖像較臨床圖像更為標(biāo)準(zhǔn)，使其成為深度學(xué)習(xí)研究的熱點。國際皮膚影像合作組織（international skin imaging collaboration，ISIC）的公開數(shù)據(jù)庫集合了超過13 000幅從不同臨床中心收集的皮膚鏡圖像，在其2016年舉辦的黑素瘤皮膚鏡診斷競賽中，38個單位提供的79種深度學(xué)習(xí)算法參賽，排名前5的預(yù)測模型平均準(zhǔn)確率在81%～84%[18,19]。2017年Thao和Quang[20]使用經(jīng)過ImageNet預(yù)訓(xùn)練的VGG-16模型對ISIC 2017挑戰(zhàn)集（包含2 000幅訓(xùn)練圖像及600幅測試圖像）的皮膚鏡圖像進(jìn)行分類，對黑素瘤的平均AUC為0.816。2018年Haenssle等[21]訓(xùn) 練 的v4 CNN模型與58名皮膚科醫(yī)生（其中30名是皮膚鏡專家）對100幅皮膚鏡圖像（包括黑素瘤、色素痣以及其他類似黑素瘤的皮損）進(jìn)行分類。皮膚科醫(yī)生分別在缺乏及知曉臨床資料的情況下對圖像進(jìn)行分類，取得的平均AUC水平均低于CNN，表明CNN在皮膚鏡圖像分類方面已超越人類水平。美國伊利諾斯大學(xué)的科研人員提出了一個多卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network, DCNN），他們將數(shù)據(jù)庫中的皮膚鏡圖像分為惡性和良性皮膚腫物，對CNN模型進(jìn)行訓(xùn)練及測試，為了提高模型在錯誤分類圖像上的準(zhǔn)確率，重復(fù)以錯誤圖像為模型提供附加訓(xùn)練。利用ISIC 2016數(shù)據(jù)集對該研究所提出的深度學(xué)習(xí)模型進(jìn)行了訓(xùn)練和測試。結(jié)果表明，該模型在訓(xùn)練和測試方面的有效性分別為0.98和0.81[22]。德克薩斯大學(xué)休斯頓健康科學(xué)中心聯(lián)合北京協(xié)和醫(yī)學(xué)院使用GoogleNet Inception v3模型對色素痣、脂溢性角化病、基底細(xì)胞癌和銀屑病4種常見疾病進(jìn)行了分類,對數(shù)據(jù)集A（1 067幅皮膚鏡圖像）的精確度為（86.54±3.63）%，數(shù)據(jù)集B（528幅皮膚鏡圖像）的精確度為（85.86±4.65）%[23]。Kaymak等[24]使用兩步分類法對皮膚腫物進(jìn)行分類：第一步是將皮膚腫物區(qū)分為黑素細(xì)胞病變和非黑素細(xì)胞病變；第二步是將黑素細(xì)胞病變區(qū)分為黑素瘤和良性黑素細(xì)胞病變，非黑素細(xì)胞病變包括基底細(xì)胞癌、光線性角化病、良性角化病、皮膚纖維瘤和血管病變等。訓(xùn)練出的AlexNet模型的準(zhǔn)確性為58%，靈敏度為60.6%，特異性為57.8%。另外一項人機對抗研究共分析了724幅皮膚鏡圖像，包括黑素瘤（81例患者的350幅圖像）和色素痣（194例患者的374幅圖像），均經(jīng)組織病理學(xué)檢查證實。為了進(jìn)行雙重交叉驗證，Yu等[25]將它們分成兩個互相排斥的子集：一半的圖像數(shù)據(jù)集被選擇進(jìn)行訓(xùn)練，其余的被選擇進(jìn)行測試，并且與皮膚科專家和非專家的準(zhǔn)確性進(jìn)行比較。深度神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性分別為83.51%和80.23%，高于非專家的準(zhǔn)確性（67.84%，62.71%），接近專家的準(zhǔn)確性（81.08%，81.64%），其AUC值也與專家接近。北京協(xié)和醫(yī)院的王詩琪等[26]使用經(jīng)過5 094幅色素痣和脂溢性角化病的皮膚鏡圖像遷移訓(xùn)練的ResNet-50二分類模型對30幅色素痣和30幅脂溢性角化病的皮膚鏡圖像進(jìn)行分類，與95名經(jīng)過皮膚鏡培訓(xùn)的皮膚科醫(yī)師判讀結(jié)果進(jìn)行比較，準(zhǔn)確率差異無統(tǒng)計學(xué)意義。

4 深度學(xué)習(xí)在其他皮膚圖像分類中的應(yīng)用

深度學(xué)習(xí)的應(yīng)用跟數(shù)據(jù)量有很大關(guān)系，目前深度學(xué)習(xí)在皮膚圖像分類中的應(yīng)用主要集中在臨床圖像與皮膚鏡圖像中。近兩年也有將深度學(xué)習(xí)應(yīng)用于光學(xué)相干斷層掃描（optical coherence tomography，OCT）圖像及組織病理圖像的報道。OCT是近十年迅速發(fā)展起來的一種新興成像技術(shù)，它利用弱相干光干涉儀的基本原理，得到生物組織的二維或三維結(jié)構(gòu)圖像。目前OCT在皮膚科應(yīng)用相對較少，獲得的數(shù)據(jù)有限，使得人工識別OCT圖像中的異常結(jié)構(gòu)或細(xì)胞十分困難。而通過深度學(xué)習(xí)自動分析及提取OCT圖像中的關(guān)鍵特征便具有了重大意義。2018年Mandache等[27]訓(xùn)練了一個10層的CNN模型，利用40幅全層OCT圖像檢測基底細(xì)胞癌，CNN取得了95.2%的特異度及96.54%的靈敏度，表明深度學(xué)習(xí)在OCT圖像分類識別中具有良好前景。盡管深度學(xué)習(xí)已在肺癌、乳腺癌的組織病理分類中取得了一些成績，但在皮膚病的組織病理圖像中應(yīng)用較少。2019年，Hekler等[28]使用了345幅黑素瘤及350幅色素痣的病理圖像，以其中隨機100幅組織病理圖像（黑素瘤:色素痣=1:1）作為測試集，其余圖片作為訓(xùn)練集，重復(fù)10次檢測后得到已接受預(yù)訓(xùn)練的ResNet50的平均分類錯誤率在黑素瘤中為18%，在色素痣中為20%，全套圖像的分類錯誤率為19%。而文獻(xiàn)報道的不同病理專家對黑素瘤和色素痣的診斷不一致率達(dá)到25%[29]，說明深度學(xué)習(xí)對黑素瘤組織病理學(xué)診斷存在潛在幫助。

5 結(jié)語

深度學(xué)習(xí)在皮膚病領(lǐng)域還處于研究階段，尚未完全實現(xiàn)臨床應(yīng)用。限制深度學(xué)習(xí)應(yīng)用的主要障礙是數(shù)據(jù)量的不足與診斷標(biāo)準(zhǔn)的不統(tǒng)一。數(shù)據(jù)量的不足影響了深度學(xué)習(xí)的準(zhǔn)確性，想實現(xiàn)少見病的臨床應(yīng)用則更加困難。常見病診斷標(biāo)準(zhǔn)的不同，也進(jìn)一步限制了深度學(xué)習(xí)的臨床應(yīng)用，特別是皮膚組織病理的診斷與分類，在世界范圍內(nèi)尚存在較大差異，能否提出一個共同的疾病分類診斷標(biāo)準(zhǔn)使之能應(yīng)用到深度學(xué)習(xí)上還有待探討。

隨著大數(shù)據(jù)時代的到來，在皮膚病領(lǐng)域建立一個盡可能全面、標(biāo)準(zhǔn)的人工智能診斷系統(tǒng)是可行并具有重大意義的。而建立一個更全面、更標(biāo)準(zhǔn)的皮膚病智能診斷系統(tǒng)還需要多中心、多學(xué)科的不斷交流與一定量的數(shù)據(jù)積累。期望未來當(dāng)人工智能面向全人類的時候，患者能夠通過人工智能醫(yī)學(xué)平臺實現(xiàn)快速就醫(yī)和初步診斷。而未來的皮膚病智能診斷系統(tǒng)不僅僅將提供診斷，還將提供輔助檢查、治療、藥物輸送、預(yù)后及健康教育等一系列服務(wù)。