皮肤病变是最常见的人类疾病之一，并影响全球数百万的人1.此外，由于人口的老龄化，其患病率每年都会提高。研究表明，在65岁的患者中，患者的患者中会增加到50％，每年平均有两种皮肤病。皮肤的临床显着变化与疾病和疾病本身一样多样，可能包括细菌，病毒或霉菌感染，暴露于过敏原或毒素，遗传遗传病，免疫系统疾病，创伤和癌症。皮肤病学疾病的多样性及其症状和原因，为对日常临床实践的患者病变的客观诊断和评估带来了挑战。
皮肤病变的诊断主要基于其视觉检查
皮肤病学的诊断主要基于病变或可疑皮肤区域的目视检查。因此，诊断能力和准确性在很大程度上取决于皮肤科医生的经验和培训，或者在不容易获得皮肤科服务的领域，全科医生。例如，皮肤科医生在黑色素瘤的视觉诊断中的精度约为70％3。在可疑情况下，视觉检查补充了不同的诊断工具（例如，皮肤镜检查）。即使有了这种技术支持，皮肤科医生也很少能达到临床测试敏感性超过85％4 5。如果我们认为皮肤科医生缺乏皮肤科医生，而非专家临床医生的诊断准确性不如皮肤科医生的诊断准确性，则情况甚至更糟，根据不同的研究6-8的研究范围为20％至40％。因此，应开发，评估和优化新的诊断工具，以帮助皮肤科医生或全科医生准确诊断皮肤病变。
由于对皮肤病变的诊断主要基于其视觉检查，因此人工智能（AI）在此任务中的使用是皮肤病学的增长趋势。尤其是，模仿人类视觉系统执行的AI的计算机视觉，可以快速审查和分类巨大的图像。在皮肤病学中，使用一组称为深卷积神经网络（CNN）的计算机视觉算法的图像识别被证明是对诊断黑色素瘤的医生的重要帮助，其精确度与专家皮肤科医生的精确度为9-14。还发现了针对痤疮，酒渣鼻，牛皮癣，特应性皮炎或推的，也发现了类似的结果。此外，最近的一项工作显示了一个深度学习系统能够对26个最常见的皮肤条件进行分类的结果15。
因此，这些技术具有提高皮肤科医生和全科医生正确诊断皮肤病变的能力的巨大潜力。这些分类器中的一些已转换为在线平台和智能手机应用程序16.但是，它们使用的许多方面尚未得到阐明和改进。算法的决定通常是在一小部分疾病类别中定义的，因此它们不反映包括更多诊断选项的临床实践17.此外，计算机视觉模型以高度复杂的方式结合了基于像素的视觉信息很难将模型的输出链接回视觉输入，需要大量验证。最后，CNN的功效在很大程度上取决于用于培训的图像的复杂性和数量，这引起了人们对它们在来自不同图像数据库中真正外部测试集中概括的能力的担忧。例如，主要由肤色脱皮的白种人人群的皮肤图像组成的图像数据集不能推断到其他种族群体。由于所有这些警告，因此应将这些分类算法的使用视为皮肤科医生或全科医生的帮助，而不是在没有监督医生的情况下自动诊断的工具。
分类算法的使用应被视为对皮肤科医生或全科医生的帮助，而不是在没有监督医生的情况下自动诊断的工具”
无论如何，数字皮肤援助工具可能应为皮肤科医生提供不可否认的帮助，以通过偏爱早期诊断并避免不必要的程序来降低皮肤病学疾病的发病率和死亡率。此外，这项技术将帮助初级保健医生确定哪些患者处于最高风险，例如皮肤癌，建议紧急转诊给皮肤科医生进行确认和全身皮肤检查。这些模型可以轻松地在网站，移动应用程序，远程播放平台上实现，甚至可以集成到电子病历系统中，从而可以快速，便宜地访问皮肤筛查，甚至可以在医院或医疗中心外部进行皮肤筛查。最后，使用AI的自动诊断系统将使临床医生能够在AI工具的帮助下花费更多的时间按照其技能和培训进行工作，并在常规临床环境中改善患者护理的最终目标。
Carlos M. Galmarini
参考
1. Hay RJ，Johns NE，Williams HC等。2010年皮肤病的全球负担：对皮肤状况的患病率和影响的分析。J Invest Dermatol 2014;134：1527-34。
2. Lim HW，Collins Sab，Resneck JS，Jr。等。美国皮肤病的负担。J Am Acad Dermatol 2017;76：958-72 E2。
3. Argenziano G，Soyer HP。色素皮肤病变的皮肤镜检查 - 一种有价值的黑色素瘤的有价值的工具。柳叶刀Oncol 2001;2：443-9。
4. Kittler H，Pehamberger H，Wolff K等。皮肤镜检查的诊断准确性。Lancet Oncol 2002;3：159-65。
5. Vestergaard ME，Macaskill P，Holt PE等。皮肤镜检查与肉眼检查以诊断为原发性黑色素瘤：在临床环境中进行的研究的荟萃分析。Br J Dermatol 2008;159：669-76。
6. Federman DG，Concato J，Kirsner RS。初级保健从业者和皮肤科医生对皮肤病学诊断的比较。文献综述。Arch Fam Med 1999;8：170-2。
7. Federman DG，Kirsner RS。初级保健医生在皮肤病学中的能力：对护理质量的影响。Am J Manag Care 1997;3：1487-92。
8. Moreno G，Tran H，Chia AL等。前瞻性研究，以评估全科医生在推荐环境中的皮肤病学诊断技能。Australas J Dermatol 2007;48：77-82。
9. Esteva A，Kuprel B，Novoa RA等。皮肤科医生级分类具有深层神经网络的皮肤癌。自然2017;542：115-8。
10. Haenssle HA，Fink C，Schneiderbauer R等。反对机器的人：与58位皮肤科医生相比，深度学习卷积神经网络的诊断性能。Ann Oncol 2018;29：1836-42。
11. Han SS，Kim MS，Lim W等。使用深度学习算法对良性和恶性皮肤肿瘤的临床图像进行分类。J Invest Dermatol 2018;138：1529-38。
12. Fujisawa Y，Otomo Y，Ogata Y等。基于深度学习的基于计算机辅助的分类器使用少量的临床图像数据集开发，在皮肤肿瘤诊断中超过了董事会认证的皮肤科医生。BR J Dermatol 2018;180：373-81。
13. Brinker TJ，Hekler A，Enk AH等。深度神经网络在黑色素瘤图像分类中优于皮肤科医生。Eur J Cancer 2019;119：11-7。
14. Tschandl P，Codella N，Akay BN等。人类读者与用于色素皮肤病变分类的机器学习算法的准确性的比较：开放的，基于网络的，国际，诊断研究。柳叶刀Oncol 2019;20：938-47。
15. Liu Y，Jain A，Eng C等。用于鉴别皮肤疾病的深度学习系统。Arxiv 2019;1909.05382。
16. Chuchu N，Takwoingi Y，Dinnes J等。智能手机应用于对黑色素瘤可疑的皮肤病变的成年人进行分类。Cochrane数据库Syst Rev 2018;12：CD013192。
17. Maron RC，Weichenthal M，Utikal JS等。通过卷积神经网络在多类皮肤癌图像分类中112个皮肤科医生的系统表现。Eur J Cancer 2019;119：57-65。