AI

    EyePACS-1数据集中AI的灵敏度和特异性曲线。8个圆点代表8位眼科专家，两个棱形分别代表AI的高特异性操作点和高灵敏度操作点。

    这份研究是去年12月发表，表明AI的图像识别功底已经有了很了不起的特异性和灵敏度，跟人类眼科专家不相上下。不过研究者也说了，它的临床应用还有待进一步评估。对了，本研究也是由Google公司领导，与美国、印度多个知名研究机构合作进行。

    Nature：开启皮肤癌的智能手机筛查

    皮肤癌的诊断，通常是靠医生的视诊发现可疑病变，再进一步通过皮肤镜、活检等手段确定。但皮肤纹理如此细密而变化多端，也给视诊增加了难度。所以，这份来自斯坦福大学的研究也采用了深度CNN算法，来对皮肤图像进行识别。

    它之所以能登上当期Nature的封面，想必是由于它宏伟壮丽。第一是想法有魄力，他们不仅是帮助医生诊断，简直是踢馆——要让人们用智能手机就可以进行皮肤恶性病变的筛查。第二是数据量很暴力，之前的皮肤AI研究都要依靠专业图像，如皮肤镜图像或病理活检图像，不易获得，所以数据量比较小，最后训练出来的小AI们放到真实的临床环境中效率就不高；但要用手机拍照的图片训练又会受到缩放、角度、光线等因素的影响，恐怕一样效率不高，怎么破？

    本研究先用目前世界上最大的开源图像识别数据库ImageNet中的128万张图片进行预训练，再用自己的129,450张图片的数据库进行调谐，其中包括3,374张皮肤镜图像。第三是技术（说起来）很简单，前人的研究都有许多预处理步骤，如病变分层、提取特定表现的视觉特征等，但本AI的训练是“端对端（end-to-end）”的，只有原始像素和图像标签，用单一网络同时对付普通照片和皮肤镜图像。

    最后在新的图片数据集中进行验证，这些图片都事先以活检来确认过。本AI与至少21位皮肤专家的诊断进行两场比拼。第一场，是鉴别角化细胞癌与良性脂溢性角化病，即识别最常见的癌变。第二场，是鉴别恶性黑色素瘤和良性的痣，即识别最致命的癌变。

ai

    三幅图分别为角化癌照片、黑色素瘤的照片以及黑色素瘤的皮肤镜图像识别。曲线是AI对病变识别的灵敏度-特异性曲线，每个圆点代表一位专家的识别，绿点是专家们的平均值，绿色误差线是标准差。

    可以看到，大多数圆点都在蓝色曲线以下，平均值也是。说明专家们判断的特异性和灵敏度都输给了AI。