資訊專欄INFORMATION COLUMN
摘要：過去的測試包括，在皮膚病診斷中的表現大致上和人類專家持平。和其同事也在皮膚癌等其他皮膚病上測試了深度學習。使用數據集進行驗證時，基底細胞癌診斷的敏感度是。
人工智能目前在與專業醫生的能力對比上還罕有勝跡。但深度神經網絡方法最近已經可以在灰指甲這一真菌疾病的診斷上擊敗 42 名皮膚科專家了——這種疾病每年困擾著 3500 萬美國人。
人工智能在醫療領域的這一巨大成功很大程度上得歸功于韓國研究者提出的包含了 50,000 張手指甲與腳趾甲圖片組成的龐大數據集。它可以用于訓練深度神經網絡識別灰指甲——一種可使指甲變色和變脆的常見真菌感染——為深度學習模型帶來超越醫學專家的強大優勢。
「這項研究首次展示了 AI 可以超越人類專家，」韓國首爾第一皮膚病醫院的皮膚病醫生和臨床醫生 Seung Seog Han 說。「目前為止，在很多研究中，AI 在糖尿病視網膜病、皮膚癌的診斷和肺部 X 射線解讀的表現都達到了和人類專家相近的程度。」
過去的測試包括「AI versus doctors」，AI 在皮膚病診斷中的表現大致上和人類專家持平。但在這項研究中，42 個人類專家僅有 1 個略微在三個試驗之一的特定測試場景中超過了深度神經網絡。該研究發表在 2018 年 1 月 19 日的網絡雜志 PLOS ONE 上。
尤其是，不同于簡單案例，深度神經網絡在極度困難的案例上表現得比皮膚病專家好得多，Han 介紹道。除了 Han 以外，該團隊的主要研究者還包括韓國翰林大學的皮膚病學教授 Gyeong Hun Park，以及韓國蔚山大學的皮膚病學教授 Sung Eun Chang。
Han 作為醫生的日常工作包括治療多種類型的皮膚疾病。但他也學習了幾種計算機編程語言例如 C++和 Python，并持續了好幾年。當他看到 AlphaGo 擊敗較高級人類圍棋選手李世石的新聞之后，對深度學習產生了興趣。
深度學習算法通常能解決在大數據中檢測模式的專業性任務，而人類難以把握大數據的規律。在這個案例中，韓國的研究者發現可以用微軟研究院開發的深度學習算法幫助醫生從數字照片中識別可能的灰指甲感染病例。
但所有的深度學習模型都需要大量的數據來訓練 AI 識別相關的模式。收集和灰指甲感染相關的有用照片是一項巨大的挑戰，因為通常這類照片并沒有標準的格式。很多照片都從不同的角度拍攝，并會同時展示健康的指甲和被感染的指甲。此外，由于深度學習算法的技術局限性，所有的照片都需要轉換成 224×224 像素，這使得很多照片變得無法識別。
Han 和他的同事們訓練了一個基于 Faster R-CNN 的目標檢測算法模型來識別和裁剪照片，從而使照片僅包括感染的趾甲和指甲，然后將照片放大，以適用于深度神經網絡的訓練。大多數的照片來自 MedicalPhoto，這是一個皮膚病臨床照片管理程序，由 Han 在 2007 年開發。
然而，Han 不得不收集由 Faster R-CNN 裁剪得到的 10 萬張照片，進行人工讀取并對每張照片標記兩次，以確保訓練數據的準確性：不準確或不充分的趾甲/指甲照片被剔除。這項工作花費了他大約 550 個小時，總共超過了 70 天，即使他堅持每天工作數小時，并以 10 秒每張的速度處理照片。
該數據集幫助訓練了用于識別病癥的卷積神經網絡——微軟的 ResNet-152 和牛津大學的 VGG-19 模型，以執行識別指甲真菌感染可能病例的工作。這種深度學習方法表現優于 42 位皮膚科專家組成的小組——其中包括 16 名教授、18 名臨床醫生和 8 名住院醫師。
研究者還展示了在額外測試中，深度學習方法通常優于較好的五位皮膚科專家。另外，研究者發現 AI 的診斷評估比一般醫生、醫學生、護士和非醫務人員要好。
研究團隊已經放出了一個 demo 做演示：
試用網址：http://nail.medicalphoto.org
安卓 APP：https://play.google.com/store/apps/details?id=com.phonegap.onychomycosis_en
通過用網站和 APP 收集數據，研究人員希望發現當 AI 用于醫療實踐時潛在的問題。
Han 和其同事也在皮膚癌等其他皮膚病上測試了深度學習。相關論文在 2 月 8 日發表在了在線期刊《Journal of Investigative Dermatology》上（見文末）。
該研究表明，人工智能能夠在極為依賴臨床攝影的遠距離醫療（telemedicine）中極為有幫助，例如診斷灰指甲等。然而，目前仍然需要人類皮膚科醫生使用病人的一般病史、足臭等大量因素來確診。極少數醫生對只基于圖片做診斷感到合適。
Han 和他的同事認為自己的研究對普通從業者非常有幫助，他們經常見到病人抱怨皮膚和指甲病狀。Han 說，「AI 診斷要比普通臨床診斷更為準確，我認為它對普通從業者確定甲癬的治療方向有所幫助。」
論文：Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm
摘要：我們測試使用深度學習算法對 12 種皮膚病的臨床照片進行分類，包括基底細胞癌、鱗狀細胞癌、上皮內癌、光化性角化病、脂溢性角化病、惡性黑色素瘤、黑素細胞痣、雀斑樣痣、化膿性肉芽腫、血管瘤、皮膚纖維瘤、疣。使用來自 Asan 數據集、MED-NODE 數據集和 atlas site images 中的訓練集圖像（共 20826 張）對卷積神經網絡（Microsoft ResNet-152 模型）進行調整。然后使用 Asan、Hallym 和 Edinburgh 數據集的測試集圖像驗證訓練后的模型。使用 Asan 數據集進行驗證時，基地細胞癌、鱗狀細胞癌、上皮內癌、黑色素瘤診斷的曲線下面積（AUC）分別是 0.96 ± 0.01、0.83 ± 0.01、0.82 ± 0.02、0.96 ± 0.00。使用 Edinburgh 數據集進行驗證時，對應疾病的曲線下面積分別是 0.90 ± 0.01、0.91 ± 0.01、0.83 ± 0.01、0.88 ± 0.01。使用 Hallym 數據集進行驗證時，基底細胞癌診斷的敏感度是 87.1% ± 6.0%。使用 480 張 Asan 和 Edinburgh 圖像接受測試的算法性能可與 16 位皮膚科醫生媲美。為了提高 CNN 的性能，我們還應該收集涉及年齡范圍更大、種族更廣泛的圖像。
原文鏈接：https://spectrum.ieee.org/the-human-os/robotics/artificial-intelligence/ai-beats-dermatologists-in-diagnosing-nail-fungus
歡迎加入本站公開興趣群商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/4735.html
摘要：然而，幸運的是，目前更為成功的目標檢測方法是圖像分類模型的擴展。幾個月前，發布了一個用于的新的目標檢測。 隨著自動駕駛汽車、智能視頻監控、人臉檢測和各種人員計數應用的興起，快速和準確的目標檢測系統也應運而生。這些系統不僅能夠對圖像中的每個目標進行識別和分類，而且通過在其周圍畫出適當的邊界來對其進行局部化（localizing）。這使得目標檢測相較于傳統的計算機視覺前身——圖像分類來說更加困難...
摘要：從到，計算機視覺領域和卷積神經網絡每一次發展，都伴隨著代表性架構取得歷史性的成績。在這篇文章中，我們將總結計算機視覺和卷積神經網絡領域的重要進展，重點介紹過去年發表的重要論文并討論它們為什么重要。這個表現不用說震驚了整個計算機視覺界。 從AlexNet到ResNet，計算機視覺領域和卷積神經網絡（CNN）每一次發展，都伴隨著代表性架構取得歷史性的成績。作者回顧計算機視覺和CNN過去5年，總結...
摘要：目前目標檢測領域的深度學習方法主要分為兩類的目標檢測算法的目標檢測算法。原來多數的目標檢測算法都是只采用深層特征做預測，低層的特征語義信息比較少，但是目標位置準確高層的特征語義信息比較豐富，但是目標位置比較粗略。 目前目標檢測領域的深度學習方法主要分為兩類：two stage的目標檢測算法；one stage的目標檢測算法。前者是先由算法生成一系列作為樣本的候選框，再通過卷積神經網絡進行樣本...
摘要：這一切始于年的一篇論文，其使用了稱為的算法用來提取感興趣候選區域，并用一個標準的卷積神經網絡去分類和調整這些區域。 本文詳細解釋了 Faster R-CNN 的網絡架構和工作流，一步步帶領讀者理解目標檢測的工作原理，作者本人也提供了 Luminoth 實現，供大家參考。Luminoth 實現：https://github.com/tryolabs/luminoth/tree/master/l...
摘要：在本次競賽中，南京信息工程大學和帝國理工學院的團隊獲得了目標檢測的最優成績，最優檢測目標數量為平均較精確率為。最后在視頻目標檢測任務中，帝國理工大學和悉尼大學所組成的團隊取得了較佳表現。 在本次 ImageNet 競賽中，南京信息工程大學和帝國理工學院的團隊 BDAT 獲得了目標檢測的最優成績，最優檢測目標數量為 85、平均較精確率為 0.732227。而在目標定位任務中Momenta和牛津...
閱讀 2047·2019-08-30 15:52
閱讀 2439·2019-08-29 18:37
閱讀 789·2019-08-29 12:33
閱讀 2838·2019-08-29 11:04
閱讀 1522·2019-08-27 10:57
閱讀 2091·2019-08-26 13:38
閱讀 2759·2019-08-26 12:25
閱讀 2444·2019-08-26 12:23
