機遇與挑戰:基於深度學習的皮膚病分類gydF4y2Ba

近年來，深度學習已經成為一種非常流行的方法，在複雜的，需要先驗知識的領域，特別是在生物醫學領域，目前正麵臨著醫療資源不足的問題。深度學習在疾病診斷中的應用已成為皮膚學領域的一個新的研究課題。本文旨在快速回顧利用深度學習對皮膚疾病的分類，總結皮膚病變的特征和圖像技術的現狀。本文研究了皮膚疾病的特點，綜述了基於深度學習的皮膚疾病分類研究。我們使用數據集、數據處理、分類模型和評估標準來分析這些研究。本文綜述了這一領域的發展，闡述了皮膚診斷的關鍵步驟和影響因素，並指出了這一階段的挑戰和機遇。我們的研究證實，基於深度學習的皮膚病識別方法在特定場景下可以優於專業皮膚科醫生，具有廣闊的研究前景。gydF4y2Ba

皮膚損傷是一種常見疾病，會給全球數百萬人帶來痛苦，其中一些可能會造成嚴重後果[gydF4y2Ba1gydF4y2Ba］．由於其複雜性、多樣性和相似性，皮膚病隻能由具有長期臨床經驗的皮膚科醫生診斷，並且很少具有重複性。經驗不足的皮膚科醫生很可能會誤診，從而加劇病情，阻礙適當的治療。因此，有必要提供一種快速可靠的方法來輔助患者和皮膚科醫生進行數據處理和判斷。gydF4y2Ba

深度學習的進展已經影響了許多科學和工業領域，並在人類神經係統的啟發下取得了重大成就。隨著深度學習在生物醫學數據處理中的快速發展，眾多專家采用該技術來獲得更精確和準確的數據。隨著包括圖像、醫療記錄和組學在內的現有生物醫學數據量的迅速增加，深度學習在許多醫學圖像處理問題上取得了相當大的成功[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba］．在這方麵，深度學習有望影響圖像專家在生物醫學診斷中的作用，因為它能夠進行快速和準確的評估。本文介紹了皮膚病變的特點，概述了圖像技術，概述了深度學習在皮膚疾病分類中的發展，並討論了自動診斷的局限性和方向。gydF4y2Ba

皮膚是人體最大的器官;成蟲一般重3.6公斤，體長2米gydF4y2Ba^2gydF4y2Ba(gydF4y2Ba5gydF4y2Ba］．皮膚保護身體免受極端溫度、有害陽光和有害化學物質的傷害。作為一個高度組織的結構，它由表皮、真皮層和皮下皮層組成，提供保護、感覺和體溫調節的功能[gydF4y2Ba6gydF4y2Ba］．表皮，皮膚的最外層，提供了一個很好的保護，以避免環境的侵犯。真皮位於表皮之下，包含堅韌的結締組織、毛囊和汗腺，這導致了皮膚外觀的分化[gydF4y2Ba7gydF4y2Ba］．引起皮膚病的原因有很多，包括光、溫度、摩擦等物理因素，以及昆蟲叮咬、過敏性疾病、甚至病毒感染等生物因素。環境和遺傳因素也會導致皮膚病的發生。在病灶成像中，複雜的困難包括膚色的變化、頭發、氣泡等偽影的存在、不均勻的光照和病灶的物理位置。此外，大多數病變在顏色、紋理、形狀、大小和圖像幀中的位置上都有所不同[gydF4y2Ba8gydF4y2Ba］．美國每年有540萬皮膚癌新患者。截至2014年，全球有4.2億人患有皮膚病，其中中國有近1.5億人，占世界人口的22%，但醫療資源僅占2%。受生活環境的影響，經濟發展程度較低、貧困的地區更容易發生皮膚病。高昂的治療費用、反複發生的疾病和治療的延誤使人們把注意力集中在健康生存和社會發展的需求上。高昂的治療費用、反複發病、延誤治療，給人類的健康生存和社會發展帶來了挑戰。gydF4y2Ba

對特定皮膚病的準確診斷可能是一項具有挑戰性的任務，主要原因如下。首先，皮膚病種類繁多，文獻記載的有近3000種。斯坦福大學開發了一種算法，用新的皮膚科醫生標記的129450張臨床圖像數據集(分為2032個類別)來演示可泛化分類[gydF4y2Ba9gydF4y2Ba］．數字gydF4y2Ba1gydF4y2Ba顯示完整分類法的子集;這是由醫學專家在臨床和視覺上組織的。其次，疾病表現的複雜也是醫生麵臨的一大挑戰。皮損外觀形態的差異直接影響診斷，主要是不同皮膚病之間的對比比較差，沒有豐富的經驗是無法區分的。最後，對於不同的皮膚病，病變可能過於相似，僅使用視覺信息無法區分。不同的疾病可能有相似的表現，而同一種疾病在不同的人群、不同的身體部位、不同的發病時期可能有不同的表現[gydF4y2Ba10gydF4y2Ba］．數字gydF4y2Ba2gydF4y2Ba顯示樣本圖像，顯示在區分惡性和良性病變的困難，這共享幾個視覺特征。與良性皮膚病不同，惡性疾病如果不及時治療，可能導致嚴重後果。黑色素瘤(gydF4y2Ba11gydF4y2Ba例如，皮膚癌是一種主要和最致命的皮膚癌。如果及時發現，黑色素瘤的5年生存率可大於98%;在已發生傳播的地區，這一數字顯著下降至17% [gydF4y2Ba12gydF4y2Ba］．2015年，共有310萬例活動性病例，約占全球皮膚癌死亡人數的70% [gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba］．gydF4y2Ba

皮膚病的診斷依賴於臨床經驗和視覺感知。然而，人類的視覺診斷具有主觀性，缺乏準確性和重複性，這是計算機化皮膚圖像分析係統所不具備的。使用這些係統可使缺乏經驗的操作員預先篩選病人[gydF4y2Ba15gydF4y2Ba］．與其他疾病或工業故障診斷等應用相比，皮膚病的視覺表現更為突出，這使得深度學習在具有視覺敏感性的圖像識別中具有重要價值。通過對大量詳細圖像的研究，皮膚病學可以成為最適合遠程醫療和人工智能(AI)的醫學領域之一。利用成像方法，在不久的將來，深度學習有可能協助甚至取代皮膚科醫生診斷皮膚病。gydF4y2Ba

深度學習是利用簡單非線性模塊組成的多層自動學習數據的層次特征的一類機器學習。它將數據轉換為對區分數據很重要的表示[gydF4y2Ba16gydF4y2Ba］．早在1998年，人們就提出了用於手寫數字識別的LeNet網絡[gydF4y2Ba17gydF4y2Ba］．但是，由於缺乏計算能力，很難支持所需的計算。直到2012年，該方法在ImageNet大規模視覺識別挑戰(ILSVRC)的競爭挑戰中被成功應用，並壓倒性地優於以前的機器學習方法，用於視覺識別任務[gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba］．這是一個突破，使用卷積網絡將物體識別的錯誤率幾乎降低了一半，並促使計算機視覺社區迅速采用深度學習[gydF4y2Ba16gydF4y2Ba］．從那時起，由於圖形處理單元(gpu)等硬件能力的提高，深度學習算法得到了相當大的發展。不同的模式，例如ZFNet [gydF4y2Ba20.gydF4y2Ba]， VGG [gydF4y2Ba21gydF4y2Ba]， GoogLeNet [gydF4y2Ba22gydF4y2Ba]，及ResNet [gydF4y2Ba23gydF4y2Ba，已經被提出。ImageNet的前5名錯誤率從2012年的16.4%下降到2017年的2.25%gydF4y2Ba3.gydF4y2Ba）;相應地，人類的這一比例約為5%。它極大地改善了不同科學和工業領域的任務，不僅包括計算機視覺，還包括語音識別、藥物發現、臨床外科和生物信息學[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba］．gydF4y2Ba

卷積神經網絡(convolutional neural network, CNN)是深度學習的代表性算法，其結構如圖所示gydF4y2Ba4gydF4y2Ba。實際模型與圖中相似，除了層次更深，卷積核更多。CNN是一種受人類視覺感知機製啟發的“前饋神經網絡”，可以學習大量輸入和輸出之間的映射，而不需要任何精確的數學表達式。CNN的第一個卷積濾波器用於檢測低階特征，如邊、角和曲線。隨著卷積層的增加，檢測到的特征變得更加複雜[gydF4y2Ba20.gydF4y2Ba］．池化層，或稱為子采樣層，通過取最大值或平均值[將窗口轉換為像素[gydF4y2Ba27gydF4y2Ba]，可以減小特征圖的大小。在圖像通過最後一個全連接層後，模型將學習到的分布式特征映射到樣本標記空間，並提供最終的分類類型。CNN的布局類似於生物神經網絡，結構稀疏，權值共享，可以減少參數數量，提高擬合效果，防止過擬合。深度cnn展示了跨越眾多細粒度對象類別的可變任務的潛力，並在圖像識別領域具有獨特的優勢。gydF4y2Ba

選擇合適的模型是至關重要的。GoogLeNet模型，其結構稱為inception(圖gydF4y2Ba5gydF4y2Ba)，該方法既能保持網絡結構的稀疏性，又能利用密集矩陣的高計算性能[gydF4y2Ba22gydF4y2Ba］．由於其出色的性能，GoogLeNet已被眾多研究人員學習和使用。因此，穀歌團隊對其進行了進一步的探索和改進，產生了GoogLeNet的升級版本Inception v3 [gydF4y2Ba28gydF4y2Ba]，已成為當前研究的首選。使用穀歌的Inception v3 CNN架構在ImageNet的1000個對象類上預訓練到高精確度，研究人員可以從網絡中移除最終的分類層，用自己的數據集重新訓練它，並微調所有層的參數。gydF4y2Ba

穀歌的TensorFlow [gydF4y2Ba29gydF4y2Ba]， Caffe [gydF4y2Ba30.gydF4y2Ba]和Theano [gydF4y2Ba31gydF4y2Ba深度學習框架可以用於訓練。Theano是一個Python庫和優化編譯器，用於操作和計算數學表達式。它開創了使用符號圖進行網絡編程的趨勢;然而，它缺乏一個低級接口，並且Python解釋器的低效率限製了它的使用。Caffe的ConvNet實現，積極添加了許多擴展，非常出色;然而，它對循環網絡和語言建模的支持總體上很差。如果需要同時支持CPU和GPU，則必須實現額外的功能。在TensorFlow中，使用矢量運算的符號圖來指定一個新網絡是相當容易的;然而，它在建模靈活性方麵有一個主要的弱點。它有一個幹淨、模塊化的架構，有多個前端和執行平台，庫可以在Advanced RISC Machines (ARM)上編譯。gydF4y2Ba

由於醫學圖像分析方法與計算機視覺技術相當相似，因此深度學習逐漸應用於醫學圖像數據[gydF4y2Ba32gydF4y2Ba］．雖然許多研究最初是使用相對較小的數據集和預先訓練的深度學習模型進行可行性研究，但仍需要對醫療應用進行強有力的驗證[gydF4y2Ba33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba，gydF4y2Ba35gydF4y2Ba］．因此，從醫學圖像中收集大數據，以驗證醫療應用的可行性[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba36gydF4y2Ba］．例如，穀歌研究人員收集了超過12萬張視網膜眼底圖像組成的大型數據集，用於診斷糖尿病視網膜病變，並表現出高靈敏度和特異性[gydF4y2Ba37gydF4y2Ba］．gydF4y2Ba

由於硬件的發展和算法的進步，深度學習現在包含了比以前想象的多得多的功能。研究人員現在更有可能預測和區分那些難以診斷的複雜機製和相似的特征[gydF4y2Ba38gydF4y2Ba，gydF4y2Ba39gydF4y2Ba］．深度學習是一種強大的機器學習算法，用於分類，同時提取低到高的特征[gydF4y2Ba40gydF4y2Ba，gydF4y2Ba41gydF4y2Ba］．與其他診斷方法相比，深度學習的一個關鍵區別在於它的自學習性質。神經網絡不是由人類設計的;相反，它是由數據本身設計的。表格gydF4y2Ba1gydF4y2Ba展示了一些已經發表的利用圖片或臨床圖像進行疾病診斷的成果，證明了深度學習可以與某些領域的專業專家相比較。此外，許多研究人員對允許使用移動技術的移動診斷表示了興趣。智能手機具有足夠的計算能力和快速發展來擴展通用性和實用性，可以隨時隨地用於掃描、計算、分析，以檢測皮膚病[gydF4y2Ba42gydF4y2Ba，gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba］．研究人員基於人工智能開發了這樣一個係統，用戶可以在智能手機上安裝應用程序，通過拍照來分析和判斷身體上的可疑病變[gydF4y2Ba45gydF4y2Ba］．gydF4y2Ba

利用深度學習技術，一旦建立程序，就可以自動進行圖像的模式識別。可以將圖像以高保真度輸入CNN，並自動獲取重要特征。因此，使用這種技術，在學習過程之前從圖像中提取信息是不必要的。在淺層中，可以學習圖像中的邊緣等簡單特征。在靠近輸出層的深層，學習更複雜的高階特征[gydF4y2Ba56gydF4y2Ba］．不同的研究人員、機構和挑戰都在致力於皮膚病的自動診斷，並且已經開發了不同的深度學習方法來識別皮膚病;這些方法在許多領域都被證明是有效的。gydF4y2Ba57gydF4y2Ba］．例如，國際皮膚成像合作(ISIC)是一個專注於皮膚病變自動分析的挑戰。這項挑戰(始於2017年)的目標是支持黑色素瘤自動診斷算法的研究和開發，包括病灶分割、病灶內的皮膚鏡特征檢測和黑色素瘤分類[gydF4y2Ba58gydF4y2Ba，gydF4y2Ba59gydF4y2Ba]，這也是皮膚學領域的主要目標[gydF4y2Ba60gydF4y2Ba］．一般來說，該方法是一個建模框架，可以學習從輸入圖像到輸出圖像的功能映射。輸入圖像為預處理圖像;輸出的圖像是一個分割掩碼。網絡結構包括一係列的卷積層和池化層，然後是完全連接層，然後是一係列的解池化和斷開連接操作[gydF4y2Ba61gydF4y2Ba］．gydF4y2Ba

皮膚疾病的診斷通常由四個部分組成:圖像采集、圖像預處理、特征提取與分類、標準評價。圖像采集是皮膚分類的基礎，通常圖像越多，準確率越高，適應性越好(所選項目數據大小見表)gydF4y2Ba2gydF4y2Ba)．預處理用於裁剪和縮放圖像和分割病變，以便更好地訓練。特征提取主要通過皮膚病變的顏色、紋理和邊界信息來獲取皮膚病變的特征。結果評價是最後一步，用來判斷分類模型是否合理，是否達到分類目標。gydF4y2Ba

圖像采集gydF4y2Ba

深度學習需要大量的圖像來提取疾病特征。這些數據集通常可從互聯網、開放的皮膚病學數據庫以及與研究單位合作的醫院獲得，並由專業皮膚科醫生在去除模糊和遙遠的圖像後進行標記。一個優秀的數據集應該由皮膚鏡圖像組成。皮膚鏡是一種非侵入性皮膚成像技術，可以觀察表皮與真皮層交界處的皮膚結構，清晰地指示色素性皮膚病變的性質、分布、排列、邊緣和形狀。由於成像條件的不確定性，如拍攝角度、光照、存儲像素等，會影響非皮鏡圖像的成像效果。表中列出了部分已發表的數據集gydF4y2Ba3.gydF4y2Ba涵蓋十幾種皮膚病，其中黑色素瘤的發生概率最大。然而，由於缺乏統一的皮膚病圖像標準，對圖像進行標注費時費力，這大大限製了當前公共數據集的規模。因此，許多研究將多個數據集結合起來使用[gydF4y2Ba43gydF4y2Ba，gydF4y2Ba63gydF4y2Ba］．gydF4y2Ba

圖像預處理gydF4y2Ba

有效的圖像質量可以提高模型的泛化能力。預處理可以減少圖像中的不相關信息，提高相關信息的強度，簡化數據，提高可靠性。一般的圖像預處理流程如下:gydF4y2Ba

1. (1）gydF4y2Ba

   圖像分割。皮膚病變的分割是大多數分類任務的關鍵步驟。精確的分割有助於後續病灶分類的準確性、計算時間和錯誤率[gydF4y2Ba71gydF4y2Ba，gydF4y2Ba72gydF4y2Ba］．它對圖像分析至關重要，有以下兩個原因。首先，病變邊緣為準確診斷提供了重要信息，包括不對稱、邊緣不規則等眾多臨床特征。其次，其他重要臨床特征如非典型斑點和顏色雜色的提取關鍵取決於邊界檢測的準確性[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba73gydF4y2Ba］．給定一個輸入的皮膚鏡圖像(圖gydF4y2Ba6gydF4y2Baa)，分割過程的目標是生成二維掩碼(圖gydF4y2Ba6gydF4y2BaB)能準確區分病變區域和周圍的健康皮膚[gydF4y2Ba74gydF4y2Ba］．gydF4y2Ba

2. （2）gydF4y2Ba

   調整大小。雖然皮膚圖像可能相當大，但病變通常占據相對較小的區域[gydF4y2Ba75gydF4y2Ba，gydF4y2Ba76gydF4y2Ba］．在此任務之前，深度學習網絡的圖像需要進行預處理，因為原始病變圖像的分辨率通常過大，計算成本很高[gydF4y2Ba77gydF4y2Ba］．通過結合多尺度上下文信息集成方案，精確的皮膚病變分割增強了其能力[gydF4y2Ba62gydF4y2Ba］．為了避免扭曲皮膚病變的形狀，圖像應該先裁剪到中心區域，然後按比例調整大小。圖像經常通過縮放和剪切調整到224×224或227×227像素[gydF4y2Ba78gydF4y2Ba]，即計算量與信息密度相結合後的合適大小。gydF4y2Ba

3. （3）gydF4y2Ba

   規範化。將圖像數據映射到同一維度的區間[0,1]或[−1,1]。歸一化的本質是一種改變數據後不會造成“失敗”的線性變換。相反，它可以提高數據的性能，加快梯度下降的求解速度，增強模型的收斂速度。gydF4y2Ba

4. （4）gydF4y2Ba

   數據增加。由於隱私和專業設備的問題，在皮膚病識別過程中很難收集到足夠的數據。數據集過小，由於模型缺乏學習能力，容易導致過擬合，使得網絡模型缺乏泛化能力。采用數據增強的方法對數據集進行擴充，以滿足深度學習對大數據的要求，如旋轉、隨機裁剪、噪聲等[gydF4y2Ba79gydF4y2Ba］．數字gydF4y2Ba7gydF4y2Ba展示了幾種圖像處理方法，通過這些方法可以擴展圖像數據庫以滿足訓練要求。gydF4y2Ba

特征提取與分類gydF4y2Ba

早期發現病變是皮膚癌治療領域的關鍵一步。如果這能在不穿透身體的情況下實現，將會有很大的好處。皮膚疾病特征提取是正確分析和探索圖像的重要工具[gydF4y2Ba80gydF4y2Ba］．特征提取可以簡單地看作是一個降維過程;即將圖片數據轉換為具有圖片特征的一定維數的向量。在深度學習之前，這通常是由皮膚科醫生或研究人員在調查大量數字皮膚病變圖像後手動確定的。一種著名的特征提取方法是基於皮膚鏡的ABCD規則。ABCD代表不對稱、邊界結構、顏色變化和病變直徑。它定義了疾病診斷的基礎[gydF4y2Ba81gydF4y2Ba］．提取和融合的特征，如顏色、紋理和定向梯度直方圖(HOG)，隨後應用基於序列的方法。然後通過實現一種新的Boltzman熵方法來選擇融合特征[gydF4y2Ba82gydF4y2Ba]，可用於早期發現。然而，這通常有很大的隨機性，取決於圖片的數量和質量，以及皮膚科醫生的經驗。gydF4y2Ba

從分類的角度來看，特征提取有很多好處:(i)降低分類器的複雜性以獲得更好的泛化，(ii)提高預測精度，(iii)減少訓練和測試時間，以及(iv)增強數據的理解和可視化。神經網絡的機製與傳統方法有很大的不同。可視化表明，第一層本質上是計算邊緣梯度和其他簡單的操作，如SIFT [gydF4y2Ba83gydF4y2Ba]和HOG [gydF4y2Ba84gydF4y2Ba］．折疊層將局部模式組合成更全局的模式，最終產生更強大的特征提取器。在一項使用近130000張臨床皮膚病學圖像的研究中，21名經過認證的皮膚科醫生使用單個CNN測試皮膚病變分類，直接使用像素和圖像標簽進行端到端訓練;對癌症的準確性為0.96 [gydF4y2Ba9gydF4y2Ba］．隨後，研究人員利用深度學習，通過學習惡性腫瘤的異常特征，並從深度網絡中確定視覺解釋，開發了12種皮膚疾病的自動分類係統[gydF4y2Ba47gydF4y2Ba］．第三項研究將深度學習與傳統方法(如手工編碼特征提取和稀疏編碼)結合起來，創建了一個用於黑色素瘤檢測的集合，其性能可能比皮膚科專家更高。這些結果和其他結果[gydF4y2Ba85gydF4y2Ba，gydF4y2Ba86gydF4y2Ba，gydF4y2Ba87gydF4y2Ba證實了深度學習在減少醫生重複性工作方麵具有巨大潛力。盡管存在問題，但如果人工智能能夠可靠地模擬經驗豐富的皮膚科醫生，這將是一個重大進步。gydF4y2Ba

評估標準和基準gydF4y2Ba

評估和標準，通常基於以下三點，可靠性，時間消耗，培訓和驗證在這一領域是至關重要的[gydF4y2Ba88gydF4y2Ba］．研究人員(gydF4y2Ba73gydF4y2Ba，gydF4y2Ba89gydF4y2Ba，gydF4y2Ba90gydF4y2Ba他們使用這三個標準來開發和設計檢測和診斷皮膚病的方法和技術。其他(gydF4y2Ba71gydF4y2Ba，gydF4y2Ba91gydF4y2Ba，gydF4y2Ba92gydF4y2Ba]隻使用了兩個標準，可靠性，訓練和驗證來評估和討論不同類型的分類器。gydF4y2Ba

大量研究表明，數據集內可接受的可靠性、時間複雜性和錯誤率無法同時實現;因此，研究者必須建立不同的標準。一旦其中一個被選中，其他的性能就會降低[gydF4y2Ba90gydF4y2Ba，gydF4y2Ba93gydF4y2Ba］．因此，皮膚學評價標準之間的衝突對皮膚學分類方法提出了嚴峻的挑戰。在評估和基準測試期間必須考慮這些需求。皮膚病學分類方法應規範要求和目標，並在研究、評估和基準測試中使用程序化過程。此外，新的靈活評估應涉及所有相互衝突的標準和問題[gydF4y2Ba94gydF4y2Ba］．gydF4y2Ba

盡管存在衝突，但重要的標準是評估和基準測試的主要目標。有必要為這些目標製定適當的程序，同時增加具體評價標準的重要性，減少其他標準[gydF4y2Ba95gydF4y2Ba］．在評估使用診斷模型獲得的結果時，研究人員必須考慮用於構建模型的數據集的質量，並選擇可以調整該模型的參數。數據集的時間複雜度和錯誤率在皮膚科領域已經被證明是重要的，在評估過程中多加考慮，可以優化結果的一致性[gydF4y2Ba63gydF4y2Ba］．一般來說，目標是獲得一個平衡的敏感性和特異性的分類器。gydF4y2Ba

限製gydF4y2Ba

總的來說，人工智能的優勢在於它可以幫助醫生執行繁瑣的重複性任務。例如，如果掃描足夠的血液，人工智能顯微鏡可以在標準的、現場製備的厚血膜顯微照片中檢測到低密度感染，這被認為是耗時、困難和繁瑣的，因為低密度和小的寄生蟲大小和大量類似的非寄生蟲物體[gydF4y2Ba49gydF4y2Ba］．使用cnn的軟件可以取代對員工培訓和購買製作皮膚鏡圖像的昂貴設備的要求[gydF4y2Ba96gydF4y2Ba］．未來，深度學習在其他疾病診斷中的臨床應用也可以進行研究。遷移學習可以用於開發相對罕見疾病的CNN模型。模型也可以進化到隻需要更少的預處理步驟。除了這些主題，更深入地了解重建核或圖像厚度可以提高深度學習模型的性能。由於更高精度的掃描儀和圖像重建技術的出現，正麵影響應會繼續增長[gydF4y2Ba56gydF4y2Ba］．然而，我們必須認識到，雖然人工智能在某些特定領域有能力擊敗人類，但總的來說，在大多數情況下，人工智能的表現遠遠不能接受[gydF4y2Ba97gydF4y2Ba］．主要原因如下。gydF4y2Ba

1. (1）gydF4y2Ba

   醫學是一個尚未被完全理解的領域。信息不是完全透明的。皮膚病學的特點決定了大部分資料是無法獲得的。同時，人工智能技術路線尚不成熟，由於人工診斷的不確定性，必須提高其識別精度。疾病的症狀和結果之間沒有嚴格的對應關係，不同疾病之間也沒有明確的界限。因此，將深度學習用於疾病診斷仍然需要付出相當大的努力。gydF4y2Ba

2. （2）gydF4y2Ba

   在係統調試、廣泛模擬和穩健驗證之前，有缺陷的算法可能會傷害患者，這可能會導致醫學倫理問題，因此需要前瞻性的審查和更嚴格的監管[gydF4y2Ba98gydF4y2Ba］．作為一個“黑箱”，深度學習的原理在這個階段是無法解釋的，這可能導致不可預測的係統輸出。此外，人類可能無法真正理解機器是如何工作的，即使它實際上是受到人類的啟發[gydF4y2Ba99gydF4y2Ba，gydF4y2BaOne hundred.gydF4y2Ba］．因此，使用不透明算法是否可以接受患者護理仍然是一個討論的問題。gydF4y2Ba

3. （3）gydF4y2Ba

   數據集中錯誤率值的變化存在問題，這是由不同皮膚癌實驗中使用的數據集大小的變化引起的。因此，缺乏標準數據集可能會導致嚴重的問題;在許多實驗中都考慮了錯誤率值。此外，大量研究的數據集收集依賴於個人研究，導致不必要的精力和時間。當手動標記實際類並與預測類進行比較以計算其中一個參數矩陣時，當使用Adobe Photoshop從皮膚癌圖像中切割背景時，像素會丟失[gydF4y2Ba101gydF4y2Ba］．在這一點上，該過程會影響所有參數可靠性組(矩陣、關係和行為)的結果，這些結果被認為是有爭議的。高可靠性和低時間複雜度無法同時實現，這體現在訓練過程中，受到不同標準之間衝突的影響，麵臨相當大的挑戰[gydF4y2Ba93gydF4y2Ba，gydF4y2Ba102gydF4y2Ba］．適用於檢測一種皮膚病變的方法可能不適用於檢測其他皮膚病變[gydF4y2Ba103gydF4y2Ba］．許多不同的訓練和測試集被用來評估所提出的方法。此外，對於訓練和評價中的參數，不同的研究者對不同的部分感興趣。由於所有論文都缺乏一致性和標準化，因此幾乎不可能進行公平的比較。gydF4y2Ba50gydF4y2Ba，gydF4y2Ba104gydF4y2Ba］．盡管這些指標在文獻中受到了廣泛的批評，但研究繼續使用它們來評估在皮膚癌和其他圖像處理領域的應用。gydF4y2Ba

4. （4）gydF4y2Ba

   用於評估的數據往往太小，無法對係統的性能做出令人信服的陳述。雖然在信息時代，通過互聯網也不是不可能收集到豐富的相關數據，但這些具有極大不確定性的信息顯然無法滿足獨立和相同分布的要求，這是深度學習成功應用的重要前提之一。對於某些罕見疾病和少數群體，可供訓練的圖像數量有限。迄今為止，大量算法顯示出對少數群體的偏見，這可能會導致“富人”和“窮人”之間的醫療服務差距更大[gydF4y2Ba105gydF4y2Ba］．使用深度學習技術的訓練過程需要大量的案例。此外，雖然深度學習技術已成功應用於其他任務，但開發的皮膚模型僅適用於特定的專用疾病，不適用於常見情況。皮膚科診斷是一個複雜的過程，除圖像識別外，還必須輔以觸診、嗅覺、溫度變化、鏡檢等其他手段。gydF4y2Ba

前景gydF4y2Ba

深度學習在皮膚病識別領域已經取得了相當大的進展。今後可以考慮在以下幾個方麵進行更多的嚐試和探索。gydF4y2Ba

1. (1）gydF4y2Ba

   建立標準化皮膚病圖像數據集gydF4y2Ba

   大量的數據是皮膚病識別的基礎，是網絡模型具有可接受的泛化能力的前提。然而，已發表的數據集在圖像數量、疾病類型、圖像大小、拍攝和處理方法等方麵存在較大差異，導致不同研究混淆，無法定量描述不同模型，而且某些罕見疾病的圖像難以采集。如上所述，皮膚病有很多種;然而，隻有大約20個數據集可用，包括不到20種皮膚病。迫切需要擴大獲取醫學圖像的途徑。例如，印度研究人員已經訓練神經網絡來分析來自“手持成像設備”的圖像，而不是固定的皮膚病設備，為早期和正確的診斷提供了更大的前景[gydF4y2Ba106gydF4y2Ba］．然而，一個允許收集足夠數量的標記數據集的公共數據庫可能是真正代表人口預測的必要條件。gydF4y2Ba

2. （2）gydF4y2Ba

   皮膚病識別的可解釋性gydF4y2Ba

   深度學習在皮膚病識別中的進展依賴於高度非線性的模型和參數調整技術。然而，大多數神經網絡都是“黑盒”模型，其內部決策過程難以理解。這種“端到端的”決策模式導致深度學習的解釋力較弱。深度學習的內在邏輯不清晰，使得模型的診斷結果缺乏說服力。皮膚病分類的可解釋性研究可以讓係統所有者清楚地知道係統的行為和邊界，確保係統的可靠性和安全性。此外，它可以監控由於培訓數據偏差而導致的道德問題和違規行為，並提供一種更好的機製來遵循組織內部的要求，以解決AI造成的偏見和審計問題[gydF4y2Ba107gydF4y2Ba］．gydF4y2Ba

3. （3）gydF4y2Ba

   皮膚病智能診療gydF4y2Ba

   深度學習可以用來解決越來越多的皮膚病患者，緩解有限的皮膚科醫生的壓力。隨著手機、移動電腦、可穿戴設備的普及，基於深度學習的皮膚病識別係統有望應用於智能設備，為更多人服務。通過移動設備攝像頭，用戶可以將自己拍攝的災區照片上傳到雲識別係統，並隨時下載診斷結果。通過與“皮膚管理員”的簡單溝通，可以得到診斷建議和可能的治療方法。此外，“皮膚管理員”可以監控用戶的皮膚狀況，並實時提供保護方法和治療建議。gydF4y2Ba

計算機診斷係統可以幫助訓練有素的皮膚科醫生，而不是取代他們。這些係統也可用於未經訓練的全科醫生或遠程醫療診所。對於衛生係統來說，改善工作流程可以提高效率並減少醫療差錯。醫院可以利用大規模數據，並建議與基於雲的平台共享數據，從而促進多醫院合作[gydF4y2Ba108gydF4y2Ba］．對於患者來說，在偏遠和現代化程度較低的地區，應該可以通過遠程醫療或讓他們自己處理數據來享受大城市頂級醫院的醫療資源[gydF4y2Ba109gydF4y2Ba］．gydF4y2Ba

深度學習解決方案對皮膚病的潛在好處是巨大的，在減少皮膚科醫生的重複工作和醫療資源壓力方麵具有無與倫比的優勢。準確的檢測是一項繁瑣的任務，不可避免地增加了對可靠的自動化檢測過程的需求，可以在專家和非專家臨床醫生的診斷過程中常規采用。深度學習是一門綜合性的學科，需要在工程、信息、計算機科學和醫學方麵的廣泛知識。隨著上述領域的不斷發展，深度學習正在迅速發展，並引起了眾多國家的關注。在更實惠的解決方案、能夠快速收集和有意義地處理海量數據的軟件以及能夠完成人類無法完成的任務的硬件的支持下，很明顯，在可預見的未來，用於識別皮膚病的深度學習是一種潛在的技術。gydF4y2Ba

不適用。gydF4y2Ba

浙江省重點研究與發展計劃項目(No. 2017C01054)、國家重點研究與發展計劃項目(No. 2018YFA0703000)、國家自然科學基金項目(No. 51875518)、中央高校基本科研業務費專項(No. 2019xzzx003 - 02,2019fza4002)資助。gydF4y2Ba

作者及隸屬關係gydF4y2Ba

1. 浙江大學流體動力與機電係統國家重點實驗室，浙江杭州310058gydF4y2Ba

   張斌，周雪，羅一晨，張浩，楊華勇，馬亮gydF4y2Ba

2. 浙江大學機械工程學院，浙江杭州310058gydF4y2Ba

   張斌，周雪，羅一晨，張浩，楊華勇，馬亮gydF4y2Ba

3. 浙江大學電氣工程學院，浙江杭州310027gydF4y2Ba

   Jien馬gydF4y2Ba

貢獻gydF4y2Ba

BZ負責整個試驗;XZ撰寫手稿;YCL協助完成稿件的結構和語言。HZ設計實驗;HYY協助實驗設置;LM和JEM共同監督這項工作;所有作者都閱讀並批準了最終的手稿。gydF4y2Ba

作者的信息gydF4y2Ba

張斌，博士生導師gydF4y2Ba浙江大學，中國gydF4y2Ba2009年。目前，他是gydF4y2Ba浙江大學機械工程學院，中國gydF4y2Ba。主要研究方向為基於流體擠壓的智能數字液壓和生物製造。gydF4y2Ba

薛洲獲機械設計與製造學士學位gydF4y2Ba廈門大學，中國gydF4y2Ba2017年。他目前是gydF4y2Ba浙江大學流體動力傳輸與控製國家重點實驗室，中國gydF4y2Ba。主要研究方向為體內3D打印和皮膚傷口檢測與修複。gydF4y2Ba

羅一晨獲理學士學位gydF4y2Ba東南大學，中國gydF4y2Ba2015年。他目前是gydF4y2Ba浙江大學流體動力傳輸與控製國家重點實驗室，中國gydF4y2Ba。主要研究方向為生物3D打印和生物製造。gydF4y2Ba

張浩獲碩士學位gydF4y2Ba浙江大學，中國gydF4y2Ba2019年。主要研究方向為深度學習和皮膚病分類。gydF4y2Ba

楊華勇博士畢業於南京農業大學gydF4y2Ba巴斯大學，英國gydF4y2Ba1988年。他是……的院長gydF4y2Ba浙江大學機械工程學院，中國gydF4y2Ba。他被選為科學院院士gydF4y2Ba中國工程院gydF4y2Ba在2013年。主要研究方向為流體動力與機電係統節能及生物器官3D打印。gydF4y2Ba

馬吉恩博士畢業於gydF4y2Ba浙江大學，中國gydF4y2Ba2009年。她目前是gydF4y2Ba浙江大學電氣工程學院，中國gydF4y2Ba。主要研究方向為電工理論和新能源技術。gydF4y2Ba

馬亮博士學位於gydF4y2Ba美國華盛頓大學gydF4y2Ba,2012年。他目前是gydF4y2Ba浙江大學機械工程學院，中國gydF4y2Ba主要研究方向為器官生物打印和微流控芯片。gydF4y2Ba

相應的作者gydF4y2Ba

對應到gydF4y2Ba梁馬gydF4y2Ba。gydF4y2Ba

相互競爭的利益gydF4y2Ba

作者宣稱不存在利益競爭。gydF4y2Ba

開放獲取gydF4y2Ba本文遵循知識共享署名4.0國際許可協議，允許以任何媒介或格式使用、分享、改編、分發和複製，隻要您對原作者和來源給予適當的署名，提供知識共享許可協議的鏈接，並注明是否有更改。本文中的圖像或其他第三方材料包含在文章的創作共用許可協議中，除非在材料的信用額度中另有說明。如果材料未包含在文章的創作共用許可協議中，並且您的預期使用不被法定法規所允許或超出了允許的使用範圍，您將需要直接獲得版權所有者的許可。如欲查看本牌照的副本，請瀏覽gydF4y2Bahttp://creativecommons.org/licenses/by/4.0/gydF4y2Ba。gydF4y2Ba

轉載及權限gydF4y2Ba