熊喜喜 魯嚴

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)用也越來越廣泛。在皮膚病學領(lǐng)域中,AI技術(shù)已經(jīng)被應(yīng)用于皮膚影像識別、診斷輔助、治療方案制定、疾病預(yù)測、健康管理等方面,為臨床醫(yī)生提供了更為準確、高效的診斷和治療方案參考。本文將對近年來與皮膚病學相關(guān)的AI文獻進行綜述,總結(jié)AI在皮膚病學方面的應(yīng)用情況。

1 認識AI

1.1 AI的定義 AI是指使機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)旨在通過模擬人類的思維、學習、推理、自適應(yīng)和自我修正等能力,使機器能夠完成以前只有人類才能完成的任務(wù),例如語言理解、視覺識別、自動駕駛等。它不僅可以讓機器執(zhí)行基本的計算任務(wù),還可以在更高級別的任務(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,以下是常見的幾種分類方法。(1)按照智能程度的分類:分為弱AI和強AI。弱AI只能完成特定的任務(wù),而強AI則具有類似于人類的智能,能夠進行多種任務(wù)。(2)按照學習方式的分類:分為監(jiān)督學習、非監(jiān)督學習和強化學習。監(jiān)督學習是指通過給計算機提供標記好的樣本來訓(xùn)練它,使它能夠準確地預(yù)測未標記的數(shù)據(jù)。非監(jiān)督學習是指讓計算機在沒有標記的情況下自行學習,識別出數(shù)據(jù)中的模式和關(guān)系。強化學習則是讓計算機通過試錯的方式學習,在不同的狀態(tài)下采取不同的行動,并根據(jù)行動的結(jié)果調(diào)整策略。(3)按照應(yīng)用領(lǐng)域的分類:分為自然語言處理、計算機視覺、機器學習等多個領(lǐng)域。(4)按照技術(shù)實現(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等多個類型?；谝?guī)則的AI是通過一系列預(yù)定義的規(guī)則來實現(xiàn)AI,而基于神經(jīng)網(wǎng)絡(luò)的AI則是通過模擬人類神經(jīng)系統(tǒng)來實現(xiàn)AI?；旌闲虯I則是綜合多種技術(shù)來實現(xiàn)AI。

2 AI在皮膚病學中的應(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、數(shù)碼相機或單反相機等拍攝的臨床照片、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計算機視覺在該領(lǐng)域通過圖像識別發(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]報道了基于深度學習的算法來識別黑色素瘤圖像的一項研究,其準確率達到90%以上。該研究通過129 450張圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò),經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠?qū)ζつw癌進行分類,且準確率與皮膚科醫(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)生更準確地診斷和治療皮膚癌。一項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、遠程評估,Foto Finder?Moleanalyzer Pro非侵入性成像技術(shù)評估以及兩者聯(lián)合診斷黑色素瘤的情況,與金標準病理結(jié)果相比,三者的敏感度和特異度沒有統(tǒng)計學差異[2]。Widaatalla等[3]對皮膚基底細胞癌的AI輔助識別和分類進行了系統(tǒng)評價,共納入15篇文獻,其中13篇基于皮膚鏡圖像、2篇基于光學相干斷層掃描(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100%,曲線下面積為0.99,但僅有2篇文獻所用的AI經(jīng)過外部數(shù)據(jù)驗證。Huang等[4]使用深度學習模型在 KCGMH 和 HAM10000 數(shù)據(jù)集中以二分類和多分類的方式識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)的準確率達89.5%;HAM10000 數(shù)據(jù)集的七級分類準確率為 85.8%,KCGMH 數(shù)據(jù)集的五級分類準確率為 72.1%。我國學者劉潔教授團隊通過深度卷積神經(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)驗的皮膚科醫(yī)師水平相當[5]。

2.1.2 炎癥性皮膚病:以銀屑病為例,AI在多個環(huán)節(jié)助力疾病管理:(1)診斷輔助:Zhao等[6]構(gòu)建了基于CNN的兩階段深度學習模型,用于銀屑病的識別與診斷,且該模型不依賴皮膚鏡,僅通過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)皮損評估:Breslavets等[7]通過訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)(ANN)對銀屑病病人的皮損面積進行評估,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重性指數(shù)(PASI)評分智能系統(tǒng)通過采集病人特定姿勢的照片,并經(jīng)過圖像后續(xù)處理,自動識別形狀,測定紅斑、鱗屑和浸潤程度,給出整體PASI評分[8]。相比于皮膚科醫(yī)師目測評估,該方法有更好的準確性、一致性和可重復(fù)性。

此外,Wu等[9]基于EfficientNet-b4 CNN算法,開發(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,尚需要進一步的完善。Han等[11]通過基于區(qū)域的CNN來創(chuàng)建標準化指甲圖像的數(shù)據(jù)集,并訓(xùn)練以區(qū)分指甲和背景,獲得的模型在4個驗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]通過構(gòu)建面部白癜風AI診斷模型Vit4,在50組白癜風、30組白色糠疹、7組無色素痣、10組正常皮膚的面部皮膚圖像中的診斷準確率為88.66%(86/97),低于皮膚科醫(yī)生的診斷準確率(92.78%,90/97),但差異無統(tǒng)計學意義(χ2=2.323,P>0.05)。

2.1.5 其他:劉潔教授團隊研發(fā)的基于深度學習的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、黑色素細胞痣、血管瘤、銀屑病、鮮紅斑痣和基底細胞癌在內(nèi)的14種臨床常見病[13],總體準確率為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。

AI在皮膚病學領(lǐng)域的應(yīng)用遠不止上述所列,隨著診斷方法的不斷更新,新型的皮膚影像數(shù)據(jù)就會出現(xiàn),AI的新用法也將應(yīng)運而生。

2.2 皮膚病學相關(guān)AI產(chǎn)品 2017年5月,“中國人群皮膚影像資源庫項目(Chinese Skin Image Database,CSID)”成立,旨在建設(shè)成為我國皮膚影像技術(shù)研究、教育與應(yīng)用的共性資源和技術(shù)平臺。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)):可實現(xiàn)多時空整合的多模態(tài)皮膚影像數(shù)據(jù)采集、傳輸、存儲等功能的分析管理,支持“基層檢查、上級診斷”,并可整合AI應(yīng)用構(gòu)建科室數(shù)據(jù)庫。(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)院首次公開發(fā)布,其通過皮膚鏡輔助診斷皮膚腫瘤良惡性分類準確率達到85.2%,對皮膚腫瘤疾病分類準確率達到66.7%;迭代產(chǎn)品優(yōu)智AI-2.0對皮膚腫瘤良惡性的識別率提升到91.2%,疾病類型的識別率提升到81.4%。(3)老年皮膚腫瘤AI遠程診療工具:于2018年6月發(fā)布,旨在賦能基層醫(yī)療機構(gòu)醫(yī)生對老年皮膚腫瘤的診斷和篩查,并在復(fù)旦大學附屬華山醫(yī)院皮膚科醫(yī)聯(lián)體內(nèi)的200余家基層醫(yī)療機構(gòu)逐步推廣使用。(4)黑甲AI-1.0:是針對甲板色素性損害的智能診斷和鑒別診斷工具,對以黑甲為主要表現(xiàn)的疾病平均識別率達到87%。(5)優(yōu)智皮膚AI系列慢病(銀屑病、白癜風)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、遠程會診以及相關(guān)指數(shù)的評分;白癜風慢病管理AI輔助白癜風病人的病情評估。

此外,國內(nèi)的慧捷肌膚(微信公眾號)以及睿膚學苑(微信公眾號)目前已上線多個智能應(yīng)用小程序供用戶使用,小程序“睿膚識別”頁面提示該應(yīng)用由華夏皮膚影像AI協(xié)作組指導(dǎo),但目前僅供已認證的醫(yī)生使用:(1)智能影像可以對手機拍照或者皮膚鏡圖像進行識別,并給出幾種可能的推測結(jié)果;(2)脫發(fā)識別通過用戶上傳皮膚鏡圖片,評估其為雄禿或者斑禿的可能性;(3)基底細胞癌識別發(fā)布于2023年3月,是我國首個面向基底細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)病程管理中開放智能PASI評分、智能特應(yīng)性皮炎(SCORAD)評分以及智能白癜風面積評分指數(shù)(VASI)評分,分別輔助銀屑病、特應(yīng)性皮炎及白癜風病人的病情評估。

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)計思路,為用戶提供智能皮膚全病種檢測解決方案。該應(yīng)用通過深度學習算法,對用戶上傳的皮損照片進行皮膚病風險評估,并通過多道選擇題問詢相關(guān)信息后給出結(jié)果和建議。

荷蘭開發(fā)的手機軟件SkinVision,通過用戶手機采集的皮損圖片信息,識別并分析是否為皮膚惡性腫瘤,其靈敏度高達95%,但特異度較低(78.3%)[16]。該軟件評估結(jié)果可以及時提醒用戶對可疑的“黑痣”保持密切關(guān)注或盡快咨詢醫(yī)生[17]。付費軟件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)用戶進一步咨詢專業(yè)醫(yī)師。

3 展望

盡管AI在皮膚病學中應(yīng)用的進展很大,甚至常有文獻報道其對皮膚病的診斷評估結(jié)果優(yōu)于皮膚科專業(yè)醫(yī)師,但基于它運行的方法和模式,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)加工處理過的數(shù)據(jù)集,而缺乏推廣至真實世界臨床數(shù)據(jù)應(yīng)用后的反饋統(tǒng)計,尚未看到詳細報道AI實際評估的準確性、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機器的人為訓(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決策。當它做出錯誤的決策時,用戶很難找出原因并進行修正,甚至無法識別其錯誤。

2021年新英格蘭醫(yī)學雜志刊文指出,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年密歇根大學醫(yī)院曾由于數(shù)據(jù)集位移停用了敗血癥警報模型,原因是新冠病毒大流行改變了發(fā)熱和細菌敗血癥之間的關(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)品介紹可能會夸大其實際功能,筆者通過皮膚鏡圖片及臨床圖片測試了上述列舉的幾款A(yù)I小程序,準確率不一,尚需更多臨床數(shù)據(jù)驗證。目前而言,AI在皮膚病學的應(yīng)用產(chǎn)品尚處在 “嬰兒期”,未來還有很長的路要走。

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

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