Google發(fā)布機器學習在皮膚病檢測方面的兩項新研究

10月25日消息,近幾年，機器學習已經(jīng)在放射學、病理學和皮膚病學等各個應用領(lǐng)域取得了長足進展。此前，Google 分享了人工智能皮膚病學輔助工具的預覽，近期，Google發(fā)布兩項新研究，有望幫助機器學習在皮膚病檢測方面取得新的進步。

自監(jiān)督學習推進醫(yī)學圖像分類

近年來，人們對將深度學習應用于醫(yī)學成像任務(wù)越來越感興趣，在放射學、病理學和皮膚病學等各種應用領(lǐng)域取得了令人振奮的進展。盡管大家興致盎然，但開發(fā)醫(yī)學成像模型仍然一定的具有挑戰(zhàn)性，因為由于注釋醫(yī)學圖像需要比較大的工作量，高質(zhì)量的標記數(shù)據(jù)通常很少。鑒于此，遷移學習（指解決一個問題時獲得的知識并將其應用于不同但相關(guān)的問題）是構(gòu)建醫(yī)學成像模型的常用模式。使用這種方法，首先在大型標記數(shù)據(jù)集（如ImageNet）上使用監(jiān)督學習（讓機器學習一個函數(shù)）對模型進行預訓練，然后在域內(nèi)醫(yī)療數(shù)據(jù)上對學習的通用結(jié)果進行微調(diào)。

隨著輸入皮膚顏色的變化，病變的外觀也會發(fā)生變化，以匹配不同皮膚類型的病變。

自監(jiān)督預訓練比監(jiān)督預訓練更具可擴展性，因為不需要類標簽注釋，希望在未來將有助于在醫(yī)學圖像分析中推廣自監(jiān)督方法的使用，從而產(chǎn)生適用于現(xiàn)實世界中大規(guī)模臨床部署高效且穩(wěn)健的模型。

描述不足給機器學習帶來的挑戰(zhàn)

隨著機器學習模型使用的領(lǐng)域愈發(fā)廣泛，機器學習常常會出現(xiàn)一些“意想不到”的行為。例如，在計算機視覺模型中，對不相關(guān)的特性表現(xiàn)出驚人的敏感度?；蛘咴?ldquo;精心策劃”的ML模型訓練及解決與應用領(lǐng)域在結(jié)構(gòu)上不匹配的預測問題當中，即使處理了一些已知問題，模型行為在部署中仍可能表現(xiàn)出差異性，甚至在訓練運行之間也會產(chǎn)生變化。

Google表明在現(xiàn)代機器學習系統(tǒng)中特別普遍的一種故障原因是描述不足（underspecification)。描述不足指的是從業(yè)者在構(gòu)建 ML模型時經(jīng)常想到的需求與即模型的設(shè)計及執(zhí)行之間的差距。在實際實例中，Google發(fā)現(xiàn)描述不足還具有別的實際意義，事實表明單獨的標準保持測試不足以確保其在醫(yī)療中的可用性。

壓力測試中醫(yī)學影像模型的相對可變性。左上角：當對來自不同相機類型的圖像進行評估時，使用不同隨機種子訓練的糖尿病視網(wǎng)膜病變分類模型之間的 AUC變化。在這個實驗中，在訓練過程中沒有遇到相機類型 5。左下角：在對不同估計皮膚類型進行評估時，使用不同隨機種子訓練的皮膚狀況分類模型之間的準確性差異（由皮膚科醫(yī)生培訓的非專業(yè)人士從回顧性照片中得出的近似值，并可能受到標簽錯誤的影響）。右：來自原始測試集（左）和壓力測試集（右）的示例圖像）。

解決描述不足是一個具有挑戰(zhàn)性的問題，需要對超出標準預測性能的模型進行完整的規(guī)范和測試。要做到這一點，需要充分了解將使用模型的前因及后果，了解如何收集訓練數(shù)據(jù)，并且通常在可用數(shù)據(jù)不足時結(jié)合領(lǐng)域?qū)I(yè)知識。

應用程序幫助判斷皮膚健康

Google AI驅(qū)動的皮膚病學輔助工具是一個基于網(wǎng)絡(luò)的應用程序，輔助判斷皮膚可能發(fā)生的情況。啟動該工具后，只需使用手機的相機從不同角度拍攝三張皮膚、頭發(fā)或指甲問題的圖像。然后，應用程序?qū)⒃儐栍脩羝つw類型、出現(xiàn)問題的時間以及其他癥狀。AI模型將分析信息，為用戶提供可能的匹配條件列表，方便用戶進行進一步確認。

根據(jù)用戶提供的照片和信息，人工智能皮膚科輔助工具將提供建議的條件

對于每個匹配條件，該工具將提供皮膚科醫(yī)生審查的信息和常見問題的答案，以及來自網(wǎng)絡(luò)的類似匹配圖像。但需要注意的是，該工具并非旨在提供診斷，也不能替代醫(yī)療建議，Google開發(fā)該工具是希望幫助用戶在可能出現(xiàn)皮膚問題的時候，及時就醫(yī)，以便對下一步做出更明智的決定。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。