懸壺濟世、救死扶傷是每一個醫者的心愿，得到準確的診斷和悉心的治療也是每一位患者的心愿和早日康復的重要因素。但由于醫療資源緊張、醫患比例不均使得很多患者得不到有效的診斷和及時的救治。同時醫院中擁擠冗長和低效也讓醫患雙方的訴求得不到滿足。

而人工智能作為下一波技術浪潮，將新的技術和生產力帶入到醫療特別是醫學檢測方面，給滿負荷運轉的醫療系統帶來了新的動力。AI的加入，不僅能將最簡單的診治技術帶入到技術所能觸及的每個角落為醫療資源短缺的地區送來及時的技術補充，同時也將從繁重的重復勞動中解放醫生，成為醫生有力的助手，使得他們可以將智慧和精力投入到疑難診治和疾病研究中去。本文的兩個案例介紹了基于計算機視覺的方法，檢測皮膚癌和白內障的工作，將醫生的經驗轉化成AI算法的識別技術，更高效準確的進行檢測。

用AI診斷皮膚癌

斯坦福大學一個研究團隊提出了根據皮膚圖片來診斷皮膚癌罹患概率的新方法，雖然這并不是第一個能自動識別皮膚病變的算法，但在深度學習的幫助下它卻是目前為止最為穩定可靠的方法！

皮膚病研究專家覺得這是一件十分令人興奮的事情，計算機識別和檢測能夠達到人類專家的水平，意味著在這在這一細分領域的檢測效率能得到大幅的提高。這項研究的目的在于為每一個擁有智能手機的人都提供準確高效的醫療服務。參與這項研究的Andre Esteva表示這樣的技術可以拓展現有的醫療服務范圍，減緩醫療資源緊缺的矛盾。

首先通過ImageNet的數據對模型進行了預訓練。隨后研究人員利用目前最大的皮膚癌分類數據集（包含2000病歷進13萬張病變圖片）對模型進行的進一步的調整的改進，最后得到了一個可以檢測輸入皮膚圖像中是否含有皮膚癌的神經網絡模型。

在對比研究中，算法和21個得到認證的皮膚科專家的診斷結果進行了一一對比。他們需要從數以百計的從未見過的皮膚科病例圖像中判斷哪些是需要進一步診斷的，哪些是良性的。最終結果表明，計算機和專家的表現難分伯仲，比如，計算機同樣和醫生一樣準確的也可以分辨出角質形成細胞癌——最常見的人類皮膚癌，和稱之為脂溢性角化病的皮膚良性增生。但這一項目在真正用于臨床診斷之前還需要經受更嚴峻的考驗。研究人員表示，目前還沒能讓算法區分出難以分辨的脂溢性角化病和黑色素瘤”。

皮膚科醫生對于病情的診斷完全基于視覺的信息。目前還不清楚計算機能否與醫生在臨床環境中表現的一樣優異，臨床上他們可以通過對病變做物理檢查、閱讀病人的病史，同時還可以通過觸摸診斷患者的病情。

“如果這個算法可以被實踐證明有效，那會是對醫學界的一個巨大的顛覆。醫療系統大多都是不需要醫生面診的人，如果計算機能成功應對這些病例，就可以讓醫生更迅速高效的面診有需要的病人。”Leachman說。

這一技術還可以集成到手機APP中，只要擁有智能手機就可以進行方便的皮膚癌檢測：

真正的將最前沿的技術帶到了每一個需要它的人手中

雖然有可能并不是所有皮膚科專家都歡迎人工智能進入他們的領域，肯定會有一些人害怕機器搶走他們的工作，同時有很多人對計算機的能力持懷疑態度，尤其是針對不夠穩定的在線診斷應用軟件。但另一方面，也會有醫生認為新科技的應用讓他們有時間去開拓更先進的領域，把時間留給更需要處理的疑難雜癥，把效率留給更多需要幫助和治療的人們。讓我們把時間和經歷花在尚未解決的問題上，而把我們已知算法處理的事物留給電腦。

用AI檢測白內障，幫助患者重見光明

既然AI可以用在皮膚癌的診斷上，那么同樣是醫學圖像的檢測是不是也能被AI搞定呢？基于AI的圖像檢測技術可以解決那些醫護人員短缺地區的診斷檢查問題，研究人員們于是將目光轉到了在廣泛存在的白內障診斷上。

從前偏遠地區的白內障（包括兒童的先天性白內障，會導致失明）檢查只能由下鄉的醫生完成，頻率和覆蓋范圍都不夠，患者往往的不到及時的診斷遺漏了最佳的治療時機。

來自中山大學的眼科專家Haotian Lin和同事們希望利用AI 解決這一問題，為更多的人送上準確方便的眼科檢查技術。但當他們在解決這一問題的時候他們面臨著一個需要解決的問題——數據！

我們都知道數據對于深度學習系統十分重要，對于神經網絡來說就如火箭的燃料般重要。如果數據充足算力強勁的情況下，我們很有可能可以通過訓練網絡來解決特定的問題。但在有限的數據條件下，深度學習還能取得良好的效果嗎？

一篇DeepMind的研究啟發了研究人員們的思路，該研究演示了機器學習算法如何在有限的信息(最小化的初始信息)指導下開始學習，在一系列街機游戲中擊敗專業的人類玩家。受到這項研究的啟發，Haotian Lin和他的同事提出一個新的想法，創造一個可以自己從臨床數據庫中挖掘兒童的白內障數據的AI。

通過和來自西安電子科技大學的Xiyang Liu教授團隊合作，他們創建了一個叫做CC-Cruise的AI項目，它可以診斷先天性白內障，預測疾病的嚴重程度，并給出治療建議。CC-Cruise在之前提到的數據上進行訓練。

三種數據

訓練過程

研究員做了五次測試以驗證CC-Cruiser的準確率。第一次，在計算機模擬的醫療條件下，這個AI項目可以以98.87%的準確率來區分出病人和健康的成人，以93%以上的準確性估計疾病嚴重程度的三項指標——晶狀體混濁區域、密度和位置，以97.56%的準確率給出相應的治療建議。

研究團隊希望這個平臺最終能幫助那些沒有眼科專家的醫院來進行白內障診斷，所以第二次他們和三個醫療條件不是很發達的醫院合作，對來自中國兒童的57張眼部圖像進行了一項臨床試驗。測試結果表明CC-Cruiser同樣表現良好：98.25%的識別準確率，超過92%的三項指標估計和92.86%的治療建議的準確性。

另外，研究人員希望研究低質量的眼病圖像對CC-Cruiser診斷結果的影響，于是他們進行了第三次實驗測試。他們隨機從網上下載了53個眼病圖像，并利用CC-Cruiser進行測試，它仍然達到了很高的精確度。但是研究人員并沒有就此停止測試，第四次他們又進行了三次“大海撈針”一樣的測試，這個算法每次都能從300例正常眼睛圖像中成功找出三張白內障圖像。

最后，為了模擬真實世界的使用，他們直接讓算法和三位醫師一起臨床診斷50個病人，這三位醫師分別是眼科專家、有經驗的眼科醫生和沒經驗的眼科醫生，結果表明計算機和專家的水平不相上下。

在這次測試中，也許是訓練圖像數量不足的原因，算法確實出現了很少的幾次誤診，所以林醫生希望建立一個更大的數據集以改進它的性能。他們計劃建立一個協作云平臺來實現這一目標，但林強調，這項技術并不能保證100%正確率的最佳治療方案，醫生應該充分利用機器的建議來補充他們自己的判斷以識別和防止潛在的誤診情況。

自動化檢查過程

所以，CC-Cruiser不可能迅速的取代眼科醫生。 林說，“尤其是在一個關鍵技術上——人與人的交流和有效的互動，這是治療中不可或缺的，讓機器來模擬人類的情感是非常有挑戰性的。醫生和患者之間面對面的互動將是人類智慧的最后堡壘”。研究小組希望，通過進一步的臨床試驗，非專科醫院可以使用這個算法確定病情后將病人送到專科治療中心。病人也可以選擇先讓算法來為自己診斷，如果對診斷結果存在疑慮的話再去找專家。”林補充說：“人工智能的最終目標是結合人類的能力利用它，使世界變得更美好。”