根据《自然》杂志发表的论文所言，一种新的算法承诺帮助皮肤科医师通过手机相机对皮肤癌病症进行诊断。
近年来，机器学习与AI技术的快速发展令计算机拥有了更为强大的数据流分析与图像分类能力。皮肤癌则成为另一种能够通过软件进行诊断的疾病。
去年，Google Brain宣称其算法能够与眼科医师一样进行视网膜扫描以检测由糖尿病引发的视网膜病变。而其姐妹AI厂商DeepMind公司亦在努力对癌变口腔组织与健康口腔组织进行区分，从而检测口腔癌症。
皮肤癌此前通常需要通过视诊方式进行活检。医生寻找皮肤肌理中的斑块，从而判断皮肤生长的异常迹象——而如今这一工作已经可以由机器负责完成。
这一基于谷歌Inception v3的新代码属于基于TensorFlo的深度学习算法——Inception利用来自ImageNet数据集中的128万张图片进行预训练，能够正确从照片中区分猫与狗。现在，加利福尼亚州斯坦福大学的研究人员与加利福尼亚州退伍人员事务帕洛阿尔托医疗系统已经对其进行调整，旨在将其判断方向转向皮肤癌领域。
其采用一套包含2032张不同皮肤病症图片的，总计拥有129450张图片的数据集进行训练。每张图片立足于原始像素进行处理，旨在与各类疾病标签进行关联。
“由于缺少庞大的皮肤癌数据集，我们只能自己动手建立数据集以训练相关算法，”本文联合主笔作者兼斯坦福大学研究生Brett Kuprel表示。“我们从互联网处收集图像，并与医学院合作以在极为混乱的数据当中创建出一套准确的分类——标签只包含几种语言，包括德语、阿拉伯语以及拉丁语。”
在将标签翻译为英语后，团队邀请21名皮肤科医生对该算法进行了测试。每位医生皆会被询问是否会根据单独的图像对患者进行活检、治疗或者判断其皮肤操作是否属于癌变迹象。
通过比较，这种新算法能够与皮肤科医生一样准确地分辨癌变与非癌变皮肤。
通过对三种类型的皮肤疾病进行测试，这款软件能够给出与皮肤科医生判断相符的答案，且准确性可达到91%。
尽管结果与预期基本准确，“在临床实践当中，从业者与患者都可以严格利用该项算法的前瞻性判断进行验证，”斯坦福大学论文联合作者兼皮肤病学教授Susan Swetter指出。
一旦代码的水平符合临床使用的要求，研究人员们希望能够将这项技术引入移动手机。“配合深层神经网络，移动设备能够扩大皮肤科医生在诊所外的诊断范围。到2021年，预计全球智能手机用户将达到63亿，因此以此为基础提供低成本诊断服务将广泛成为可能，”论文总结称。
美国每年存在540万新增皮肤癌病例（所有类型），而早期检测对于病患的存活率有着巨大影响。恶性黑色素瘤的五年存储率在初期阶段约为97%，但在晚期检测出的存活率则约为14%。
如果这项算法能够轻松在移动手机上加以运行，则将韅提升皮肤癌的早期检测可能性。
