人工智能在皮膚科領域的應用與發展

劉念 陳宏翔

華中科技大學同濟醫學院附屬協和醫院皮膚科，武漢 430022

隨著美國斯坦福大學論文“深度學習皮膚癌診斷達專家水平”于2017年報道以來，人工智能（artificial intelligence）再一次引起各界廣泛關注［1］。人工智能與醫學的跨界合作，可提高醫生工作效率和診斷的準確率。臨床上，皮膚病表現大多位于體表，諸多病種根據皮損特征便可做出快速診斷［2］，且人工智能對圖片的學習能力遠超人類，使皮膚科成為當前人工智能應用的熱點之一。本文介紹近年來人工智能在皮膚科領域的應用及新進展，旨在幫助皮膚科醫生了解新的技術革新帶給傳統診療方式的影響。

一、概述

人工智能被稱為制造智能機器的科學和工程，這一概念于1955年由約翰·麥卡錫等提出，次年達特茅斯會議的召開成為人工智能正式誕生的標志［3］。歷經數番波折后，人工智能逐漸形成3個主要分支：認知計算（cognitive computing）、機器學習（machine learning）和深度學習（deep learning），涉及機器人學、模式識別、計算機視覺、人工神經網絡、專家系統、智能決策支持系統等諸多領域［4］。認知計算是指模仿人類大腦的計算系統，通過人、機器、環境間的交互，完成對數據的發現、理解、推理、決策等特定認知任務［5］；機器學習是在算法的基礎上，學習大量的歷史數據，從而得出預測模型及對應結果［4］；深度學習是機器學習研究的一個新領域，很多結構模型都曾應用于醫學影像的研究，如卷積神經網絡（convolutional neural network）、棧式自編碼器（stacked autoencoders）、受限玻爾茲曼機（restricted bohzmann machines）、深度信念網絡（deep belief network）等［6］。

二、人工智能與皮膚影像

皮膚病學是一門依賴形態學特征的學科，隨著圖像技術和數字技術的不斷發展，診斷手段由最初的望診、放大鏡和顯微鏡等，進入數字影像技術時代，如皮膚鏡、共聚焦激光掃描顯微鏡、超聲、光學相干層析成像等。計算機輔助診斷（computer-aided diagnosis）技術，也稱臨床決策支持系統（clinical decision support system），是指通過影像學、醫學圖像處理技術等，對病變的特征進行量化分析處理并做出判斷，輔助發現并分析病灶，以提高臨床醫師診斷的準確率和效率［7］。目前，計算機輔助診斷技術主要包括圖像采集、圖像預處理、圖像分割、特征提取、分類識別等工作模塊［8］。

1990年代，Binder等［9］便將人工神經網絡應用于色素性皮損的研究。近年來，隨著人工智能的飛速發展，計算機輔助診斷技術與皮膚影像的合作領域也得到拓展。Khan等［10］利用模糊C均值（fuzzy c-means）聚類圖像分割技術將痤瘡病灶分割成具有各自特征的區域，基于局部極大值而得到最優聚類。該算法對噪聲具有較強的魯棒性，減弱了光線、攝像機標定等因素的影響，使痤瘡嚴重程度的評估更加客觀、準確和快捷。Andrekute等［11］首次提出基于馬氏距離（mahalanobis distance）以及線性支持向量機（support vector machine）分類器的惡性黑素瘤超聲圖像計算機輔助診斷系統，經160例超聲圖像（80例惡性黑素瘤以及80例良性黑素痣）測試后，發現該系統有望為惡性黑素瘤的早期診斷提供有用信息（正確率82.4%、敏感性85.8%、特異性79.6%）。Li等［12］將計算機輔助診斷技術應用于基底細胞癌的高分辨率光學相干層析成像的自動檢測，盡管可行，但希望未來的研究通過卷積神經網絡的微調技術，進一步提高該模型的性能。

這些結果初步預示，計算機輔助診斷技術應用于皮膚影像領域具有潛力，下一步會將人工智能的應用與皮膚科醫師之間進行比較。Esteva等［1］使用129 450例臨床圖像（包含3 374例皮膚鏡圖像，涉及2 032種疾病）訓練深度卷積網絡，在識別角質形成細胞癌（keratinocyte carcinoma）與良性脂溢性角化病以及惡性黑素瘤與良性痣的任務中，人工智能診斷皮膚癌的能力幾乎可以與專業的皮膚科醫師媲美。Han等［13］使用20 826例圖像對卷積神經網絡micro ResNet-152模型進行微調，用于區分12種良、惡性腫瘤，480例組織病理證實的數據顯示，這種深度學習方法與16名有10年以上工作經驗的皮膚科專家組成的小組（包括10名教授、6名臨床醫師）表現相當，并在診斷基底細胞癌（Asan測試數據集、Edinburgh數據集）、色素痣（Edinburgh數據集）方面該模型優于專家組。值得一提的是，Han等［14］的另一項研究中，訓練基于區域的卷積神經網絡對圖像進行識別和裁剪，得到用于micro ResNet-152和VGG-19模型微調的數據集，同時發現使用深度學習方法診斷甲真菌病的正確率已超過參與該項研究的大部分皮膚科專家（16名教授、18名臨床醫師和8名住院醫師）。

三、人工智能與皮膚病理

皮膚病理，一方面可為某些臨床診斷不明的皮膚病提供線索，另一方面在許多皮膚病的確診、治療方案的選擇以及預后判斷等方面發揮決定作用。全玻片數字掃描技術及大量定量分析算法的出現，為病理切片的定量分析、開展病理遠程會診甚至病理計算機輔助診斷等提供有力支撐［15］。病理圖像的全數字化起步較晚，且大多尚處于研究階段，但應用于乳腺癌淋巴結轉移的病理切片的成功經驗顯示［16］，人工智能在皮膚病理切片分析中也具有較大的潛能。

表皮提供大多數疾病的關鍵信息，通常為病理學家檢查皮膚組織的首檢區域，因此，分割該區域為計算機輔助診斷技術進駐皮膚病理的首要任務和必要步驟［17］。Lu和Mandal［18］基于全玻片數字掃描以及計算機輔助診斷技術，實現表皮區域的自動分割與分析，但結果存在較多的假陽性區域（靈敏度92%、精確度93%）。隨后該團隊將模板匹配算法應用于紅色通道圖像以增強表皮信號，從而將靈敏度、精確度分別提高到97.99%、96%［17］。此外，傳統的人工讀片耗時耗力，不僅重復性低，且具有一定主觀性。為解決這一問題，Xu等［19］提出黑素瘤全玻片數字掃描自動分析與分類技術，經66例皮膚全玻片數字掃描圖像證實，該方法達到＞95%的分類精度，表明該技術有望為病理學家提供黑素瘤診斷的參考意見。此外，Zhang等［20］基于多示例多標記學習（multi-instance multilabel learning）的框架，通過對病理醫師的診斷思維建模，實現皮膚病理圖像的自動標注。

四、人工智能與醫學機器人

世界首臺外科手術機器人Arthrobot的問世距今已有30多年，目前機器人輔助系統已廣泛應用在矯形外科、神經外科、泌尿外科、心血管外科、普外科和婦科手術中。隨著機器人盆腔淋巴結清掃術在泌尿外科以及婦產科成功應用，Sohn等［21］于2010年首次應用該技術治療2例骨盆轉移性黑素瘤患者。與傳統的開放手術相比，機器人輔助術提供3D視覺系統和靈活的操作器械，術后并發癥可能因此減少，但機器人盆腔淋巴結清掃術在惡性黑素瘤治療中發揮的確切作用尚未可知。此外，Kim等［22］和Hyde等［23］先后報道機器人輔助術應用于前盆腔臟器切除術伴回腸膀胱造瘺成功治療1例陰道惡性黑素瘤，機器人輔助腹股溝淋巴結清掃成功治療4例惡性黑素瘤。

除輔助皮膚惡性腫瘤治療外，醫學機器人也涉及毛發移植等領域。2011年，artas系統由美國食品藥品監督管理局正式批準用于男性毛發移植，通過采集顯微鏡放大的圖像和電腦輔助參數，提供清晰而詳細的供區毛囊特性，便于自供區獲取完整的毛囊單位［24］。該系統減少人力消耗、消除人體疲勞及潛在誤差，并且手術時間也大大縮短，但長期療效有待觀察［24-25］。

五、人工智能與其他

Cazzaniga等［26］應用神經網絡模型預測準分子激光治愈白癜風患者所需的治療次數。Khozeimeh等［27］基于模糊規則算法（fuzzy rule-based）為尋常疣、跖疣選擇最佳療法（免疫療法和冷凍療法），并預測療效。現有的醫療應用中，Derma Compare利用云人工智能技術，用戶通過手機攝像頭進行全身攝影，上傳至應用程序后，系統便可判斷某種痣是否為黑素瘤前兆。

近年來，我國的人工智能在皮膚科也快速發展。由崔勇等［28］創建的中國人群皮膚影像資源庫項目，通過建立基于我國人群的大規模高質量皮膚影像數據庫，致力于解決現存皮膚影像質量層次不齊、各影像數據庫間信息孤島等問題。同時，該項目的建設和落實將進一步助力我國皮膚病診斷輔助決策系統的建設，迎來皮膚科的信息化、數字化時代。

六、結語與展望

目前人工智能更多應用于數字化皮膚影像的采集與分析。從海量皮膚影像數據中發掘內在規律，輔助臨床醫師為患者提供診療方案，對提高診斷準確率和效率、緩解我國醫療資源匱乏以及優質資源相對集中等問題有積極意義。

皮膚病理計算機輔助診斷尚處于實驗室研究階段，隨著大數據的累積與技術發展，未來計算機將實現數字病理切片病變區域的自動檢測與定量評估。診斷指標的量化與數字化，彌補了醫師主觀分析的缺陷，也為精準醫學的發展奠定基礎。

醫學機器人進駐皮膚科時日尚短，但在高強度高精度重復性強的工作上具備明顯優勢。但機器人輔助技術在很多方面需進一步探討，如高額費用限制其臨床推廣和無觸覺反饋等相關技術缺陷仍為發展瓶頸等。

總之，人工智能在提高皮膚科醫師診斷水平和促進學科建設和發展等方面擁有巨大潛能。盡管我國皮膚科人工智能的發展及應用規模尚不及西方發達國家，但隨著我國醫師對相關技術的深入了解，不僅人工智能在皮膚科的應用得到推廣，技術本身也將在廣大醫師的共同努力下煥發出新的生命力。越來越多的皮膚病患者和皮膚科醫師將從人工智能加醫療的診療模式中獲益。