熊喜喜 魯嚴(yán)

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(yīng)用也越來(lái)越廣泛。在皮膚病學(xué)領(lǐng)域中,AI技術(shù)已經(jīng)被應(yīng)用于皮膚影像識(shí)別、診斷輔助、治療方案制定、疾病預(yù)測(cè)、健康管理等方面,為臨床醫(yī)生提供了更為準(zhǔn)確、高效的診斷和治療方案參考。本文將對(duì)近年來(lái)與皮膚病學(xué)相關(guān)的AI文獻(xiàn)進(jìn)行綜述,總結(jié)AI在皮膚病學(xué)方面的應(yīng)用情況。

1 認(rèn)識(shí)AI

1.1 AI的定義 AI是指使機(jī)器能夠像人類一樣執(zhí)行智能任務(wù)的一種技術(shù)。這種技術(shù)旨在通過(guò)模擬人類的思維、學(xué)習(xí)、推理、自適應(yīng)和自我修正等能力,使機(jī)器能夠完成以前只有人類才能完成的任務(wù),例如語(yǔ)言理解、視覺(jué)識(shí)別、自動(dòng)駕駛等。它不僅可以讓機(jī)器執(zhí)行基本的計(jì)算任務(wù),還可以在更高級(jí)別的任務(wù)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(jiàn)的幾種分類方法。(1)按照智能程度的分類:分為弱AI和強(qiáng)AI。弱AI只能完成特定的任務(wù),而強(qiáng)AI則具有類似于人類的智能,能夠進(jìn)行多種任務(wù)。(2)按照學(xué)習(xí)方式的分類:分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指通過(guò)給計(jì)算機(jī)提供標(biāo)記好的樣本來(lái)訓(xùn)練它,使它能夠準(zhǔn)確地預(yù)測(cè)未標(biāo)記的數(shù)據(jù)。非監(jiān)督學(xué)習(xí)是指讓計(jì)算機(jī)在沒(méi)有標(biāo)記的情況下自行學(xué)習(xí),識(shí)別出數(shù)據(jù)中的模式和關(guān)系。強(qiáng)化學(xué)習(xí)則是讓計(jì)算機(jī)通過(guò)試錯(cuò)的方式學(xué)習(xí),在不同的狀態(tài)下采取不同的行動(dòng),并根據(jù)行動(dòng)的結(jié)果調(diào)整策略。(3)按照應(yīng)用領(lǐng)域的分類:分為自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域。(4)按照技術(shù)實(shí)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(gè)類型?；谝?guī)則的AI是通過(guò)一系列預(yù)定義的規(guī)則來(lái)實(shí)現(xiàn)AI,而基于神經(jīng)網(wǎng)絡(luò)的AI則是通過(guò)模擬人類神經(jīng)系統(tǒng)來(lái)實(shí)現(xiàn)AI?；旌闲虯I則是綜合多種技術(shù)來(lái)實(shí)現(xiàn)AI。

2 AI在皮膚病學(xué)中的應(yīng)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(jī)、數(shù)碼相機(jī)或單反相機(jī)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(jì)算機(jī)視覺(jué)在該領(lǐng)域通過(guò)圖像識(shí)別發(fā)揮作用,以下將列舉AI在不同疾病中的應(yīng)用。

2.1.1 皮膚腫瘤:2017年,Esteva等[1]報(bào)道了基于深度學(xué)習(xí)的算法來(lái)識(shí)別黑色素瘤圖像的一項(xiàng)研究,其準(zhǔn)確率達(dá)到90%以上。該研究通過(guò)129 450張圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò),經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠?qū)ζつw癌進(jìn)行分類,且準(zhǔn)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(zhǔn)確地診斷和治療皮膚癌。一項(xiàng)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(yuǎn)程評(píng)估,Foto Finder?Moleanalyzer Pro非侵入性成像技術(shù)評(píng)估以及兩者聯(lián)合診斷黑色素瘤的情況,與金標(biāo)準(zhǔn)病理結(jié)果相比,三者的敏感度和特異度沒(méi)有統(tǒng)計(jì)學(xué)差異[2]。Widaatalla等[3]對(duì)皮膚基底細(xì)胞癌的AI輔助識(shí)別和分類進(jìn)行了系統(tǒng)評(píng)價(jià),共納入15篇文獻(xiàn),其中13篇基于皮膚鏡圖像、2篇基于光學(xué)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(dá)100%,曲線下面積為0.99,但僅有2篇文獻(xiàn)所用的AI經(jīng)過(guò)外部數(shù)據(jù)驗(yàn)證。Huang等[4]使用深度學(xué)習(xí)模型在 KCGMH 和 HAM10000 數(shù)據(jù)集中以二分類和多分類的方式識(shí)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(zhǔn)確率達(dá)89.5%;HAM10000 數(shù)據(jù)集的七級(jí)分類準(zhǔn)確率為 85.8%,KCGMH 數(shù)據(jù)集的五級(jí)分類準(zhǔn)確率為 72.1%。我國(guó)學(xué)者劉潔教授團(tuán)隊(duì)通過(guò)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(dòng)分類模型在色素痣和SK皮膚鏡圖像的二分類任務(wù)中的表現(xiàn)與有經(jīng)驗(yàn)的皮膚科醫(yī)師水平相當(dāng)[5]。

2.1.2 炎癥性皮膚病:以銀屑病為例,AI在多個(gè)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(xué)習(xí)模型,用于銀屑病的識(shí)別與診斷,且該模型不依賴皮膚鏡,僅通過(guò)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(píng)估:Breslavets等[7]通過(guò)訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)(ANN)對(duì)銀屑病病人的皮損面積進(jìn)行評(píng)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(yán)重性指數(shù)(PASI)評(píng)分智能系統(tǒng)通過(guò)采集病人特定姿勢(shì)的照片,并經(jīng)過(guò)圖像后續(xù)處理,自動(dòng)識(shí)別形狀,測(cè)定紅斑、鱗屑和浸潤(rùn)程度,給出整體PASI評(píng)分[8]。相比于皮膚科醫(yī)師目測(cè)評(píng)估,該方法有更好的準(zhǔn)確性、一致性和可重復(fù)性。

此外,Wu等[9]基于EfficientNet-b4 CNN算法,開(kāi)發(fā)了一種用于銀屑病、濕疹、特應(yīng)性皮炎的AI皮膚病輔助診斷系統(tǒng),總體診斷準(zhǔn)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(duì)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(jìn)一步的完善。Han等[11]通過(guò)基于區(qū)域的CNN來(lái)創(chuàng)建標(biāo)準(zhǔn)化指甲圖像的數(shù)據(jù)集,并訓(xùn)練以區(qū)分指甲和背景,獲得的模型在4個(gè)驗(yàn)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(guò)構(gòu)建面部白癜風(fēng)AI診斷模型Vit4,在50組白癜風(fēng)、30組白色糠疹、7組無(wú)色素痣、10組正常皮膚的面部皮膚圖像中的診斷準(zhǔn)確率為88.66%(86/97),低于皮膚科醫(yī)生的診斷準(zhǔn)確率(92.78%,90/97),但差異無(wú)統(tǒng)計(jì)學(xué)意義(χ2=2.323,P>0.05)。

2.1.5 其他:劉潔教授團(tuán)隊(duì)研發(fā)的基于深度學(xué)習(xí)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(xì)胞痣、血管瘤、銀屑病、鮮紅斑痣和基底細(xì)胞癌在內(nèi)的14種臨床常見(jiàn)病[13],總體準(zhǔn)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(dāng)。

AI在皮膚病學(xué)領(lǐng)域的應(yīng)用遠(yuǎn)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(huì)出現(xiàn),AI的新用法也將應(yīng)運(yùn)而生。

2.2 皮膚病學(xué)相關(guān)AI產(chǎn)品 2017年5月,“中國(guó)人群皮膚影像資源庫(kù)項(xiàng)目(Chinese Skin Image Database,CSID)”成立,旨在建設(shè)成為我國(guó)皮膚影像技術(shù)研究、教育與應(yīng)用的共性資源和技術(shù)平臺(tái)。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(yīng)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(shí)現(xiàn)多時(shí)空整合的多模態(tài)皮膚影像數(shù)據(jù)采集、傳輸、存儲(chǔ)等功能的分析管理,支持“基層檢查、上級(jí)診斷”,并可整合AI應(yīng)用構(gòu)建科室數(shù)據(jù)庫(kù)。(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(yīng)用于2018年3月在中日友好醫(yī)院首次公開(kāi)發(fā)布,其通過(guò)皮膚鏡輔助診斷皮膚腫瘤良惡性分類準(zhǔn)確率達(dá)到85.2%,對(duì)皮膚腫瘤疾病分類準(zhǔn)確率達(dá)到66.7%;迭代產(chǎn)品優(yōu)智AI-2.0對(duì)皮膚腫瘤良惡性的識(shí)別率提升到91.2%,疾病類型的識(shí)別率提升到81.4%。(3)老年皮膚腫瘤AI遠(yuǎn)程診療工具:于2018年6月發(fā)布,旨在賦能基層醫(yī)療機(jī)構(gòu)醫(yī)生對(duì)老年皮膚腫瘤的診斷和篩查,并在復(fù)旦大學(xué)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(jī)構(gòu)逐步推廣使用。(4)黑甲AI-1.0:是針對(duì)甲板色素性損害的智能診斷和鑒別診斷工具,對(duì)以黑甲為主要表現(xiàn)的疾病平均識(shí)別率達(dá)到87%。(5)優(yōu)智皮膚AI系列慢病(銀屑病、白癜風(fēng))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(yuǎn)程會(huì)診以及相關(guān)指數(shù)的評(píng)分;白癜風(fēng)慢病管理AI輔助白癜風(fēng)病人的病情評(píng)估。

此外,國(guó)內(nèi)的慧捷肌膚(微信公眾號(hào))以及睿膚學(xué)苑(微信公眾號(hào))目前已上線多個(gè)智能應(yīng)用小程序供用戶使用,小程序“睿膚識(shí)別”頁(yè)面提示該應(yīng)用由華夏皮膚影像AI協(xié)作組指導(dǎo),但目前僅供已認(rèn)證的醫(yī)生使用:(1)智能影像可以對(duì)手機(jī)拍照或者皮膚鏡圖像進(jìn)行識(shí)別,并給出幾種可能的推測(cè)結(jié)果;(2)脫發(fā)識(shí)別通過(guò)用戶上傳皮膚鏡圖片,評(píng)估其為雄禿或者斑禿的可能性;(3)基底細(xì)胞癌識(shí)別發(fā)布于2023年3月,是我國(guó)首個(gè)面向基底細(xì)胞癌輔助診療的智能化應(yīng)用系統(tǒng),醫(yī)生用戶可以通過(guò)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(kāi)放智能PASI評(píng)分、智能特應(yīng)性皮炎(SCORAD)評(píng)分以及智能白癜風(fēng)面積評(píng)分指數(shù)(VASI)評(píng)分,分別輔助銀屑病、特應(yīng)性皮炎及白癜風(fēng)病人的病情評(píng)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(jì)思路,為用戶提供智能皮膚全病種檢測(cè)解決方案。該應(yīng)用通過(guò)深度學(xué)習(xí)算法,對(duì)用戶上傳的皮損照片進(jìn)行皮膚病風(fēng)險(xiǎn)評(píng)估,并通過(guò)多道選擇題問(wèn)詢相關(guān)信息后給出結(jié)果和建議。

荷蘭開(kāi)發(fā)的手機(jī)軟件SkinVision,通過(guò)用戶手機(jī)采集的皮損圖片信息,識(shí)別并分析是否為皮膚惡性腫瘤,其靈敏度高達(dá)95%,但特異度較低(78.3%)[16]。該軟件評(píng)估結(jié)果可以及時(shí)提醒用戶對(duì)可疑的“黑痣”保持密切關(guān)注或盡快咨詢醫(yī)生[17]。付費(fèi)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(dǎo)用戶進(jìn)一步咨詢專業(yè)醫(yī)師。

3 展望

盡管AI在皮膚病學(xué)中應(yīng)用的進(jìn)展很大,甚至常有文獻(xiàn)報(bào)道其對(duì)皮膚病的診斷評(píng)估結(jié)果優(yōu)于皮膚科專業(yè)醫(yī)師,但基于它運(yùn)行的方法和模式,AI仍有一些局限性。目前多數(shù)模型的應(yīng)用結(jié)果都是基于特定的或已經(jīng)加工處理過(guò)的數(shù)據(jù)集,而缺乏推廣至真實(shí)世界臨床數(shù)據(jù)應(yīng)用后的反饋統(tǒng)計(jì),尚未看到詳細(xì)報(bào)道AI實(shí)際評(píng)估的準(zhǔn)確性、特異性及靈敏性等數(shù)據(jù)。AI的應(yīng)用成功與否很大程度上依賴于前期對(duì)機(jī)器的人為訓(xùn)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(lái)源是否多樣、是否有代表性等等)都將影響訓(xùn)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(duì)特殊情況的預(yù)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(yīng)用通常是“黑盒子”,即,它很難解釋為什么做出了某個(gè)決策。當(dāng)它做出錯(cuò)誤的決策時(shí),用戶很難找出原因并進(jìn)行修正,甚至無(wú)法識(shí)別其錯(cuò)誤。

2021年新英格蘭醫(yī)學(xué)雜志刊文指出,技術(shù)變化(如軟件供應(yīng)商改變)、人口和環(huán)境變化(如新的人口統(tǒng)計(jì)數(shù)據(jù))和行為變化等都可能導(dǎo)致數(shù)據(jù)集位移[18],即開(kāi)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(xué)醫(yī)院曾由于數(shù)據(jù)集位移停用了敗血癥警報(bào)模型,原因是新冠病毒大流行改變了發(fā)熱和細(xì)菌敗血癥之間的關(guān)系(病人特征變化),導(dǎo)致原預(yù)警模型不再適用[18]。

AI的相關(guān)應(yīng)用在推廣階段的產(chǎn)品介紹可能會(huì)夸大其實(shí)際功能,筆者通過(guò)皮膚鏡圖片及臨床圖片測(cè)試了上述列舉的幾款A(yù)I小程序,準(zhǔn)確率不一,尚需更多臨床數(shù)據(jù)驗(yàn)證。目前而言,AI在皮膚病學(xué)的應(yīng)用產(chǎn)品尚處在 “嬰兒期”,未來(lái)還有很長(zhǎng)的路要走。

筆者認(rèn)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(duì)于已經(jīng)訓(xùn)練成熟的模型可考慮產(chǎn)品化后投放市場(chǎng),讓市場(chǎng)檢驗(yàn)產(chǎn)品并獲得各種反饋,同時(shí)也需要皮膚科醫(yī)師的持續(xù)監(jiān)測(cè),不斷優(yōu)化迭代。但AI若使用不當(dāng),包括產(chǎn)品力不足(AI提供錯(cuò)誤信息)、使用人操作不當(dāng)(例如使用范圍不當(dāng)、人種差異)、過(guò)度依賴AI(用戶全盤(pán)相信,未對(duì)結(jié)果加以驗(yàn)證),則可能造成錯(cuò)誤信息傳播、甚至延誤病人的治療時(shí)機(jī)。因此,廣大醫(yī)務(wù)工作者需理性看待AI,已面向市場(chǎng)的產(chǎn)品需提示用戶檢測(cè)結(jié)果僅供參考。

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