识别与人工智能皮肤癌

希望创造更好的获得医疗保健,斯坦福大学的研究人员已经训练了一个算法来诊断皮肤癌。

它足够可怕的让医生的约会,看看一个奇怪的摩尔可能癌变。想像一下,如果你是在那种情况下,同时生活远离最近的医生,无法请假工作并确定你有足够的钱支付费用。在这样的一个场景,一个选项来获得诊断通过你的智能手机可以挽救生命。

普及卫生保健是斯坦福大学的计算机科学家当他们着手创建一个人工智能诊断算法皮肤癌。他们制作了近130000的数据库皮肤病图像和训练他们的算法可视化诊断潜在的癌症。从第一个测试,执行与鼓舞人心的准确性。

“我们意识到这是可行的,不仅要做点什么,但是以及人类的皮肤科医生,“Sebastian Thrun说,兼职教授在斯坦福大学人工智能实验室。“当我们的思想改变了。当我们说,看,这不仅仅是一个类项目对学生,这是一个机会,为人类做一些伟大的事情。”

最终产品的主题,1月25日发行的《自然》杂志上的一篇论文,对21个具备医师资格认证的皮肤科医生测试。皮肤损伤的诊断,这代表最常见和最致命的皮肤癌,皮肤科医生的匹配算法性能。

为什么皮肤癌

每年大约有540万新发病例皮肤癌症在美国,虽然五年存活率黑色素瘤中发现它的最早的国家是97%左右,下降到大约14%如果发现在其最新的阶段。及早发现可能对皮肤癌结果产生巨大的影响。

诊断皮肤癌始于视觉检查。皮肤科医生通常用肉眼观察可疑病变dermatoscope的援助,这是一个提供低级的手持显微镜放大的皮肤。如果这些方法都不确定或使皮肤科医生认为病变癌变,活检是下一步。

引入该算法计算相结合的考试过程遵循趋势与深度学习视觉处理,人工智能的一种模仿大脑的神经网络。深度学习在计算机科学中有着几十年的历史,但最近才被应用到视觉处理的任务,取得了巨大的成功。机器学习的本质,包括深度学习,电脑是训练有素的找出问题答案而不是编程。

“我们犯了一个非常强大的机器学习算法,可以从数据,”安德烈Esteva说,该研究的论文和研究生杜伦实验室。”,而不是编写计算机代码寻找什么,你让算法算出来。”

美联储算法每个图像作为原始像素标签有一个关联的疾病。训练算法与其他方法相比,这个需要很少的处理或排序的图像分类之前,允许该算法工作了更广泛的数据。

猫和狗的黑色素瘤和癌

而不是从头开始构建一个算法,研究人员开始谷歌开发的一种算法,已经训练识别128万对象类别的1000张照片。虽然主要是能够区分猫和狗,研究者需要知道从一个良性恶性癌脂溢性角化病。

皮肤癌“没有巨大的数据集,我们可以训练我们的算法,所以我们不得不做出自己的,”布雷特Kuprel说,该研究杜伦纸和一个研究生的实验室。”我们从网上收集图片,与医学院合作,创建一个分类的数据很混乱——标签仅在几种语言,包括德语、阿拉伯语和拉丁语。”

经过必要的翻译,研究人员与斯坦福大学的皮肤科医生医学,以及海伦·m·布劳斯坦福大学微生物学和免疫学教授,论文的合著者。在一起,这种跨学科团队致力于分类网络图片的大杂烩。很多,不像那些被医学专家,都是不同的角度而言,变焦和照明。最后,他们积累了约130000皮肤损伤的图片代表超过2000种不同的疾病。

在测试过程中,研究人员只使用高质量、活检确诊图像提供的爱丁堡大学和国际皮肤成像合作项目,代表最常见和最致命的皮肤癌,恶性癌和恶性黑色素瘤。21皮肤科医生问,每个图像的基础上,进行活组织检查或治疗,或让病人放心。研究人员评估成功的皮肤科医生能够正确诊断恶性和良性病变在370多个图像。

算法的性能是通过建立一个测量sensitivity-specificity曲线,在敏感性代表它能够正确识别恶性病变和特异性代表其正确鉴别良性病变的能力。它是通过三个关键评估诊断任务:角化细胞癌分类、黑色素瘤分类,黑色素瘤分类时使用dermoscopy查看。在所有三个任务,算法的性能匹配的皮肤科医生sensitivity-specificity曲线下的面积占至少91%的面积图。

算法的一个额外的好处是,不像一个人,该算法可以或多或少地敏感,允许研究人员来优化其反应取决于他们想要评估。这种能力来改变灵敏度暗示了这个算法的深度和复杂性。看似不相关的底层架构的照片,包括猫和狗,可以帮助它更好的评估皮肤病变的图像。

卫生保健的智能手机

虽然目前该算法存在电脑上,球队想让它兼容智能手机在不久的将来,将可靠的皮肤癌的诊断我们的指尖。

“我的主要尤里卡时刻是当我意识到无处不在的智能手机将有多大,“Esteva说。“每个人都将有一个超级计算机口袋里的传感器,包括一个相机。如果我们可以用它来视力筛查皮肤癌?或者其他的疾病吗?”

团队认为,将相对容易过渡算法移动设备,但仍然需要进一步的测试在实际临床设置。

”的进步计算机辅助分类良性与恶性皮肤损伤可能在很大程度上帮助皮肤科医生提高诊断具有挑战性的病变和为病人提供更好的管理选项,”苏珊说不要,皮肤科教授和主任色素病变和斯坦福大学癌症研究所,黑色素瘤项目和论文的合著者。“然而,严格的前瞻性验证实现的算法是必要的,才能在临床实践中,医生和病人一样。”

即使在未来的挑战,研究人员希望深度学习可以有一天为视觉诊断在许多医学领域作出贡献。