□本报记者郑颖璠
3月28日，首款黄色人种皮肤肿瘤人工智能辅助决策系统——优智AI上线发布会在中日友好医院举行。“从研究测试来看，优智AI系统不仅在识别准确度上超过国际同类应用，更由于专门针对黄色人种，采用皮肤镜数据20余万张进行训练，因此具有很强的临床指导意义。”中日友好医院皮肤科主任崔勇教授如是说。
皮肤肿瘤早期诊断是个难题
医学技术不断进步，而“肿瘤”二字依旧令人不安。皮肤肿瘤是发生在皮肤的细胞增生性疾病，包括良性肿瘤和恶性肿瘤。崔勇教授介绍说，良性肿瘤在增大到一定程度后停止生长，不会危及生命；恶性肿瘤则可以不断增殖，引起转移，威胁生命，也被称作皮肤癌。最常见的皮肤恶性肿瘤包括基底细胞癌、鳞状细胞癌、恶性黑色素瘤等。如果早发现早诊断早治疗，多数皮肤肿瘤病人不会有生命危险，然而很多皮肤恶性肿瘤早期容易与其他皮肤疾病混淆，导致没有及时被发现，等到确诊时已是晚期。
另外，根据皮肤科经典教科书记载，不同皮肤病诊断名称超过2000种，众多容易混淆的皮肤病让很多医生也难辨真伪。以黑色素瘤为例，尽管近年来呈现快速增长趋势，但每年新发病例仅2万人。由于总体发病率低，大众甚至部分皮肤科医生对于此类疾病并不熟悉。这些都增加了皮肤科医生诊断的难度，因此当人工智能出现的时候，人们很容易就想到，它能作为辅助诊断工具，帮医生减少皮肤肿瘤的误诊、漏诊吗？
人工智能帮皮肤科医生减负
近年来我国皮肤影像技术的快速发展推动着皮肤肿瘤诊断效率的提升。中国人民解放军空军总医院皮肤病医院孟如松教授表示，皮肤镜作为一种无创的检查手段，能够用于观察肉眼难以发现的结构及其变化，从而提高医生对于皮肤肿瘤的识别。通过皮肤镜技术所获得的图片，则为人工智能的深度学习提供了有力的支撑。
由于皮肤病的临床表现多位于肌肤暴露部位，很多疾病都可以通过查看临床图片、皮肤镜图片、病理切片等影像资料来进行判断，因此皮肤科被认为是最适合远程医疗和人工智能的医疗领域。
2017年，美国斯坦福大学在《Nature》发表关于皮肤肿瘤机器深度学习的研究。结果显示，深度学习在良恶性3分类和疾病大类9分类任务上的符合率分别可达72.1%和55.4%。而针对同样的分类识别，专业医生平均符合率分别为65.8%和54.2%。此次我国学者发布的首款黄色人种皮肤肿瘤人工智能辅助决策系统，其测试结果显示，通过皮肤镜辅助诊断良恶性分类符合率可达85.2%，在疾病和大类混合分类上可达66.7%。
“从研究测试来看，优智AI系统不仅在识别准确度上超过国际同类应用，更由于专门针对黄色人种，采用皮肤镜数据20余万张进行训练，因此具有很强的临床指导意义。”崔勇教授指出，相较于临床图片，皮肤镜所获得的影像数据对于研究测试的价值更大。
发布会上，10名来自北京、云南、内蒙古等地的皮肤科医师与优智AI系统进行的“人机对话”印证了崔勇的话。
“通过皮肤摄影、皮肤镜、皮肤CT、皮肤超声等技术获得的多维度皮肤病影像资料，可以非常简便地被这款系统所读取。第一步，系统做出良性、恶性、交界性以及肿瘤还是非肿瘤的判断及其可能性；第二步，则是列出可能的疾病名称，这些辅助诊断结果都会即时显示在皮肤科医生的眼前。”孟如松教授表示，“人机对话”的结果也表明，优智AI系统已经完成了应用于临床的功能实现，能够有效助力皮肤科医生，尤其是基层皮肤科医生和低年资皮肤科医生的临床工作。
皮肤影像数据收集正在提速
截至2017年6月，全球人工智能企业总数达到2542家，其中中国企业数量居第二位，仅次于美国。业内人士指出，在深度学习、识别技术等方面，我国企业都展现出卓越实力。
首款黄色人种皮肤肿瘤人工智能辅助决策系统由中国人群皮肤影像资源库（CSID）项目组与优麦科技联合开发完成。优麦科技CEO常江表示，目前上线的这款系统聚焦于皮肤肿瘤，下一步即将扩展到更多皮肤病病种，适用于更多皮肤病辅助决策场景。
人工智能会“看病”依托于机器深度学习。对于皮肤病人工智能而言，就是要获得大量带有专业标注的医学影像样本，也就是大数据。然而，理想与现实有时会被“信息孤岛”所阻隔。中国人群皮肤影像资源库项目的建立无疑是破冰之举。随着CSID项目的推进，皮肤影像的全国性协作网已经建立，目前协作医院数量已近500家，接收了近20万组高质量图片数据。这不仅为人工智能系统的建设提供了大数据，还有更多发挥路径，比如构建数据的标准化体系以及开展临床研究与应用的辅助示范作用。崔勇教授表示，“通过与国家远程医疗与互联网医学中心的战略合作，将进一步拓展CSID的辐射范围至3000家全国基层医院。”
“基于皮肤影像大数据的智慧诊断时代已经到来。”国家卫生健康委员会远程医疗管理与培训中心主任卢清君表示，依托互联网平台、人工智能等技术的不断完善，医疗资源的使用率将不断被优化，从而实现患者、医生、医疗机构等多方共赢。
科学述评
皮肤科学人工智能：前景与瓶颈并存
□中日友好医院皮肤科主任崔勇
人工智能（AI）是研究、开发用于模拟、延伸和扩展人类智能的一门新兴科学。随着图像识别、深度学习、神经网络等关键技术带动人工智能的发展，AI既对传统医疗行业（包括皮肤科）形成挑战，更以一种整合式技术创新的元素，带来临床学科整体发展的大好契机。
2016年以来，已经有不少关于AI在皮肤科学的应用研究开展。其中发表于权威学术期刊《自然》的一篇文章证实，借助卷积神经网络进行海量信息学习，AI对色素性皮肤肿瘤的诊断水平可达到或超过认证皮肤科医生的水平。该研究充分显示出AI在皮肤科学中的广阔应用前景，不但可显著提升皮肤科医生的照护和研究水平，也将彻底改变皮肤科医生的行为模式，对于提升基层医院皮肤科学诊断水平也具有重要价值。
然而，AI虽然已经具备了某些改观皮肤科学的特质，但距离其完整应用（甚至某些媒体渲染的“AI取代皮肤科医生”），仍存在很多现实瓶颈，有待理性分析和积极推进：
1.皮肤病病种众多、病名复杂，很多疾病命名、诊断与鉴别诊断之间还存在不少谬误和含混。目前，借助AI可识别的仅是某种或一组特定皮肤病，如何让AI识别所有或大部分皮肤病，是重要的现实瓶颈。
2.皮肤病诊断信息来源于皮肤表现和非皮肤表现的整合，因此，AI的影像识别、信息整合和综合分析均需要“培训”。同时，目前主流的两种机器深度学习方式（监督学习和非监督学习）尚各自存在不足。
3.皮肤病信息标注工程巨大，也是AI识别质量的最重要决定性因素。
4.各种皮肤影像技术具有一定的探测深度和范围，检查方法和判断标准存在不一致现象，各临床机构皮肤影像库存在“信息孤岛”现象，而用于AI学习的皮肤影像信息必须同质，这有赖于影像资料在获取过程中采用统一标准。
此外，AI无法替代医生与患者之间的交流，也无法给予患者特有的照护与人文关怀。
为提升AI在皮肤科学领域的研究与应用水平，尚有很多基础工作需要整体布局与积极推进。首先，应尽快建立基于中国人群的皮肤影像资源库，获得统一标准的海量皮肤影像资料（包括临床、皮肤镜、皮肤CT、皮肤超声、皮肤病理等）并进行准确标注，是AI进行深度学习的基础。其次，应建立AI可识别的逻辑思维流程，利用已有皮肤科学知识体系，开发并固化皮肤影像信息处理流程，是弥补非监督式学习模式的重要环节。再次，应构建多中心、跨领域的协同工作体系，AI的健康可持续发展需要政府部门、医疗机构、专家、学术组织联动，同时需要纳入企业、第三方运营机构、市场及资本。尚需建立专业化、成建制的专业工作队伍（包括临床人员、计算机专家、数据库专家流行病学工作者等）和成体系、高性能的工作平台和信息系统（如医院IT系统、政府公共卫生网络和专业化网络平台等）。
综上所述，目前AI尚存在不少在皮肤科学应用的瓶颈，但是随着各领域的共同推动，未来AI必将发挥对皮肤科医生革命性的支持和提升作用，“技术的目的不是替代，而是支持”，这也是AI的精髓所在。
