CNN 是一种人造神经网络,也是人工智能的一种形式。它模拟了大脑中的神经细胞相互连接,且对眼睛看到的事物产生反映的过程。CNN 能够快速学习它“看到”的图像,并在这个学习过程中对自身表现进行改进,体现了机器学习的原理。
在这项研究中,研究人员使用了超过 10 万张皮肤癌图像及诊断结果对 CNN 进行训练,提高 CNN 区分恶性和良性皮肤癌的能力。这些图像都是皮肤镜图像,即放大倍数为 10 倍的皮肤病变图像,其中既包括良性和恶性皮肤癌,也包括皮肤上痣的图像。在完成训练后,研究人员使用了 300 张新图像,来对 CNN 识别癌症的能力进行评估。
在此同时,研究人员邀请了全球 17 个国家的 58 位皮肤科专家,来根据皮肤镜图像做出相应诊断。这一过程主要分为两个阶段:第一阶段时,医生们需要根据皮肤镜图像,来分辨恶性黑色素瘤或良性痣,并选择控制病情的相关措施,包括手术、短期随访和无需采取措施三个选项;在四周后进行的第二阶段,医生们将会收到患者的年龄、性别和病变部位等临床信息,以及这些患者的特写图像,并根据这些信息再次做出诊断和后续措施决策。
研究结果显示,在第一阶段,皮肤科医生能够准确检测到平均 86.6% 的黑色素瘤,同时也可以准确识别出平均 71.3% 的非恶性病变。然而,当 CNN 识别良性痣的准确率达到同样的 71.3% 时,它检测出黑色素瘤的准确度竟高达 95%!在第二阶段,皮肤科医生的表现有所改善,能够准确地诊断出 88.9% 的恶性黑色素瘤和 75.7% 的非癌症病变。
“这些研究结果表明,深度学习卷积神经网络在检测黑色素瘤的过程中,比经验丰富的皮肤科专家表现还要好,”该研究的第一作者,德国海德堡大学皮肤病学系高级管理医师 Holger Haenssle 教授表示:“CNN 可以帮助医生进行皮肤癌筛查,从而决定是否需要对病变进行活检。目前,大多数皮肤科医师已经开始使用电子皮肤镜系统,将病变转化为图像形式并进行存储,从而方便进行记录和后续随访工作。CNN 可以对存储的图像进行快速评估,以获取关于黑色素瘤诊断的信息。目前我们正在计划进行前瞻性研究,用来评估 CNN 对医生和患者的实际影响。”
参考资料:
[1] Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists
[2] Man against machine: AI is better than dermatologists at diagnosing skin cancer