假如有一天，你溘然發明身上的一顆痣變得有些奇怪，你會怎么做？固然這大概是一個危險的信號，但許多人因為事情忙、去醫院未便等各種原因，往往不會實時去查抄。此刻，人工智能為這個問題提供了更好的辦理方案：在將來，我們或者可以在手機上下載一個APP，開個攝像頭讓呆板大夫幫我們看一看，這是不是皮膚癌的早期癥狀。

斯坦福大學一個連系研究團隊開拓出了一個皮膚癌診斷精確率媲佳麗類大夫的人工智能，相關成就刊發為了1月底《自然》雜志的封面論文，題為《到達皮膚科大夫程度的皮膚癌篩查深度神經網絡》（Dermatologist-level classification of skin cancer with deep neural networks）。他們通過深度進修的要領，用近13萬張痣、皮疹和其他皮膚病變的圖像練習呆板識別個中的皮膚癌癥狀，在與21位皮膚科大夫的診斷功效舉辦比擬后，他們發明這個深度神經網絡的診斷精確率與人類大夫八兩半斤，在91%以上。

深度進修為醫學添磚加瓦

在中國，皮膚癌并不是癌癥家屬中出格矚目標成員，這是因為黃種人的皮膚癌發病率要低于白種人。但在美國，皮膚癌卻是最常見的癌癥之一。每年約有540萬美國人罹患皮膚癌。以玄色素瘤為例，假如在五年之內的早期階段檢測并接管治療，保留率在97%閣下；但在晚期階段，存活率會劇降到14%。因而，早期篩核對皮膚癌患者來說存亡攸關。

一般環境下，來到醫院或診所后，大夫會基于視覺診斷舉辦臨床篩查，再對疑似病變部位依次舉辦皮膚鏡查抄、活體組織切片查抄和病理學診斷。

大夫利用皮膚鏡舉辦查抄。

但由于各類百般的原因，許多人并不會實時為皮膚上呈現的一些細小癥狀而跑一趟醫院。因而，基于人工智能的家用便攜式皮膚癌診斷設備將大大提高早期皮膚癌的篩查包圍率，挽救更多人的生命。可是，癌癥診斷，差之毫厘，謬以千里，人工智能可以或許勝任將玄色素瘤從普通的痣中篩選出來的任務？斯坦福大學這個連系研究團隊的結論是：基于深度進修的呆板大夫診斷精確率十分驚人。

“我們意識到這是可行的，呆板不只能做，并且能做得和人類一樣好”，斯坦福人工智能嘗試室助理傳授Sebastian Thrun說道，“這時候我們的想法完全變了。我們說，‘瞧吧，這不只僅是個學生功課，這大概有益于全人類’。”

這種視覺處理懲罰算法基于時下大熱的深度進修，即通過大量的數據作為示例來練習呆板完成某些特定任務。邇來深度進修不只在視覺處理懲罰方面大放異彩，也在其他差異的規模碩果累累，譬如谷歌的圍棋AI阿爾法狗，就是在進修完3000萬張人類棋譜后擊敗世界圍棋冠軍李世石的。在呆板進修進程中，開拓者不再需要對解題要領舉辦編碼，而是任由計較機通過進修示例數據本身“探索”出解法。詳細到皮膚癌診斷這個案例中，就是研究者不再需要本身總結中皮膚癌在外觀上的一些紀律性特征來教管帳算機，而是由它本身總結個中的模式。

以谷歌一個區別貓狗的算法為藍本

研發者們沒有本身重新積極別辟派別，新加坡主機 免備案服務器，而是以谷歌的一個能在128萬張圖像中識別1000種物體的算法為藍本舉辦加工。谷歌的這個算法原本是用來區分喵星人和汪星人的，此刻，研究者們需要練習它區別良性脂溢性角化病（benign seborrheic keratosis）和角化細胞癌（keratinocyte carcinomas）、普通的痣和惡性玄色素瘤（malignant melanomas）。

可是，在數據方面，研究團隊面對的第一個問題就是并不存在一個現成可用的復雜皮膚癌數據庫。所以，斯坦福人工智能嘗試室從互聯網上收集數據，與斯坦福醫學院舉辦相助，給這一大堆雜亂的照片分類貼標簽。這事情并不容易，究竟，原始數據里的語言就有好幾種，光把這些翻譯統一就很耗時。

接著，連系研究團隊再一起對這鍋大雜燴舉辦篩選。專業的皮膚科大夫會利用皮膚鏡，一種手持的顯微鏡，對相關部位的皮膚舉辦放大調查，形成的醫學影像具有一些牢靠尺度。但這里的大大都照片不是專業的醫學影像，角度、尺寸和亮度八門五花。最后，他們選出了129450張皮膚病變圖片，個中包括2032種差異的疾病。每張照片是作為一個帶有相關疾病標簽的像素輸入進算法的。這樣，研發者省去了很多前期的圖像分組事情，大大提高了數據量。

圖片樣本：良性和惡性的上皮細胞/玄色素細胞/皮膚鏡下的玄色素細胞。