人工智能在皮肤科的应用与思考课件.pptx

1、人工智能在皮肤科的应用与思考推进互联网+ 智慧医疗人工智能成为研究热点人工智能成为研究热点2017年年2月月Nature发表斯坦福大学发表斯坦福大学深度学习对皮肤癌分类达皮肤科医师水平深度学习对皮肤癌分类达皮肤科医师水平34AI“来势汹汹来势汹汹”5 皮肤是人体最浅表和复杂皮肤是人体最浅表和复杂的的器官器官 皮肤疾病皮肤疾病 2000种种6皮肤疾病包括皮肤疾病包括 肿瘤肿瘤 色素异常性疾病色素异常性疾病 损容性疾病损容性疾病 炎症性、感染性疾炎症性、感染性疾病病 遗传性疾病，等等遗传性疾病，等等7皮肤病诊断皮肤病诊断临床表现临床表现皮肤镜皮肤镜高频超声高频超声组织病理组织病理免疫荧光免疫荧光血

2、清学检查血清学检查天疱疮天疱疮8治疗治疗 药物药物 光化学疗法光化学疗法, PUVA 光动力光动力, PDT 激光激光 化学剥脱化学剥脱 手术手术 等等等等8九分类任务：九分类任务：0.皮肤淋巴瘤和皮肤浸润性疾皮肤淋巴瘤和皮肤浸润性疾病病1.真皮良性肿瘤、囊肿真皮良性肿瘤、囊肿2.真皮恶性肿瘤真皮恶性肿瘤3.表皮良性肿瘤表皮良性肿瘤4.表皮恶性肿瘤和癌前期病变表皮恶性肿瘤和癌前期病变三分类任务：三分类任务：0.良性肿瘤良性肿瘤1.恶性肿瘤恶性肿瘤2.非肿瘤非肿瘤5.遗传性皮肤病遗传性皮肤病6.炎症性皮肤病炎症性皮肤病7.良性黑素细胞性肿瘤良性黑素细胞性肿瘤8.恶性黑素细胞性肿瘤恶性黑素细胞性肿

3、瘤结果一：三分类和九分类任务模型结果一：三分类和九分类任务模型 VS. 两位皮肤科医两位皮肤科医师师9结果二：良恶性二分类任务模型结果二：良恶性二分类任务模型 VS. 皮肤科医皮肤科医师师1.角质形成细胞肿瘤角质形成细胞肿瘤： 65张恶性肿瘤张恶性肿瘤70张良性肿瘤；张良性肿瘤；2.黑素细胞来源肿瘤：黑素细胞来源肿瘤： 临床照片：临床照片：65张恶黑和张恶黑和70张良性痣张良性痣 皮肤镜图片：皮肤镜图片：71张恶黑和张恶黑和40张良张良性性痣痣10 数据量大：数据量大：13万张图片万张图片 深度学习实现多分类深度学习实现多分类 结果与医生进行比较结果与医生进行比较亮亮点点11本课题组人工智能研

4、本课题组人工智能研究究PART112-北京协和医院皮肤科北京协和医院皮肤科门门诊每诊每年年3040万患万患者者-仅有仅有30位医生位医生13在国在国内内较早较早开展皮肤影像工开展皮肤影像工作作14率率先先成立皮肤影像诊断成立皮肤影像诊断中中心心皮肤镜皮肤镜皮肤高频超声皮肤高频超声 皮肤多普勒超声皮肤多普勒超声16服务器服务器17协和皮肤影像资源协和皮肤影像资源库库 20余年的积累余年的积累 30余万张高质量图片余万张高质量图片临床图片临床图片皮肤镜皮肤镜皮肤超声皮肤超声皮肤病理皮肤病理182016年开始进行年开始进行AI研发工研发工作作合作团队合作团队: 北京航空航天大学北京航空航天大学 谢凤

5、英教授谢凤英教授 课题组。北大医疗：课题课题组。北大医疗：课题组组。 美国德州大学休斯顿生美国德州大学休斯顿生物物医学医学信信息学院息学院 陶萃教授陶萃教授 课题组课题组典型色素痣典型色素痣和和SK皮肤镜图像示皮肤镜图像示例例18CNN自动分类模型示意自动分类模型示意图图 构建构建 CNN 二分类模型：使用二分类模型：使用3015幅色素痣幅色素痣和和2079幅幅SK的的皮皮肤镜肤镜图图像对像对 ResNet-50采用采用迁移学习迁移学习进行训练进行训练 得到模型：将一个待分得到模型：将一个待分类类皮损皮损图图像输像输入入到训到训练练好的好的卷卷积神积神经经网络网络，即可即可预预测出测出皮皮损类

6、别损类别模型整体模型整体部分部分各部分细各部分细节及参数节及参数19212017协和皮肤影像诊断学习班协和皮肤影像诊断学习班人工智能与人工智能与100余位皮肤科医师对决余位皮肤科医师对决AI准确率准确率 88.33%皮肤科医师总准确率皮肤科医师总准确率 84.47% 皮肤科医师错误诊断率皮肤科医师错误诊断率排排名前名前10(误诊误诊 率为率为 32.6%71.6%)图像：图像：2例为例为SK错误诊断为色素痣错误诊断为色素痣其余其余8例为色素痣错误诊例为色素痣错误诊断断为为SK错误分类图错误分类图像像分分析析 CNN 错误分类图像：错误分类图像：7例均为例均为 SK 错误分类为色素痣错误分类为色

7、素痣 CNN错误分类图像被分为三类错误分类图像被分为三类第一类第一类:特殊类型特殊类型第二类第二类:具有典型特征，但存在具有典型特征，但存在干干扰因扰因素素，如毛发的干扰、光线、角度等使特如毛发的干扰、光线、角度等使特征征不易不易识识别别第三类第三类:具有典型特征，具有典型特征，22尚找不到错误分类原因尚找不到错误分类原因2018年年7月月发表于中华皮肤科杂志发表于中华皮肤科杂志22真真 实实 标标 签签预测标签预测标签0:色素痣色素痣1:SK2:银屑病银屑病3:脂溢性皮炎脂溢性皮炎4:湿疹湿疹5:BCC 具体设计为：对改进的具体设计为：对改进的ResNet-50采用采用迁迁移移学习进行训练，

8、用得到学习进行训练，用得到的的模型模型进进行分类行分类数据集：共使数据集：共使用用6种常见疾病的皮肤镜种常见疾病的皮肤镜图像图像11,566张张 6种常见疾病的分类混淆种常见疾病的分类混淆矩矩阵图：阵图：色素痣为色素痣为86%，而，而BCC的准确的准确率率仅为仅为38%多分类人工智能模多分类人工智能模型型23 合作单位：北京航空航合作单位：北京航空航天天大大学宇航学院图像中心学宇航学院图像中心 投稿于投稿于2017 IEEEInternationalConference on Imaging Systems and Techniques (IST)，已发表已发表24投稿于投稿于BIBM SEP

9、DA 2017，已发表已发表The IEEE BIBM 2017会议发言会议发言25AI关键技关键技术术-模型可视化模型可视化显著图显著图1.点越黑代表对结果的影响越点越黑代表对结果的影响越大大2.皮损与像素点关联性很大皮损与像素点关联性很大遮挡试验遮挡试验直观评价直观评价AI诊断的可靠性：诊断的可靠性：是否位于病变部位是否位于病变部位还有，热点图、还有，热点图、t分布随机邻域嵌入分布随机邻域嵌入 （ t-distributed Stochastic Neighbor Embedding ，t-SNE）等等26网络感兴趣区域可视化结果网络感兴趣区域可视化结果-热点热点图图(a) Heatmap

10、(b) 原图原图 深度学习到底在关注皮损的深度学习到底在关注皮损的哪哪 一部分区一部分区域域？ 根据学习得到的根据学习得到的网络参数求算网络参数求算 出出heatmap，结果：大部分结果：大部分 图像关注的区域是皮损区域图像关注的区域是皮损区域 最有趣的一点是，只提供了最有趣的一点是，只提供了类类别信息，没有显式的给网络别信息，没有显式的给网络提提 供区域信息，但网络却从供区域信息，但网络却从样本样本中自中自发发习得了这部分信习得了这部分信息息27把把heatmap图和原图叠加后的结果图和原图叠加后的结果 网络感兴趣的区域大部分是应该感兴网络感兴趣的区域大部分是应该感兴趣趣 的区域，即便有时有

11、毛发的干扰的区域，即便有时有毛发的干扰 部分图像关注区域不正确。当网络关注部分图像关注区域不正确。当网络关注 区域比较准的时候，分类正确率也比区域比较准的时候，分类正确率也比较较 高；当网络关注区域不太准的时候，高；当网络关注区域不太准的时候，正正 确率相对低确率相对低28皮肤病皮肤病AI成成为为非常活跃非常活跃的的领领域域PART230 基底细胞癌基底细胞癌 鳞状细胞癌鳞状细胞癌 表皮内癌表皮内癌 光化性角化病光化性角化病 脂溢性角化病脂溢性角化病 恶性黑色素瘤恶性黑色素瘤 黑素细胞痣黑素细胞痣 雀斑样痣雀斑样痣 化脓性肉芽肿化脓性肉芽肿 血管瘤血管瘤 皮肤纤维瘤皮肤纤维瘤 疣疣国际论文一：

12、使用深度国际论文一：使用深度学学习算习算法法对良对良恶恶性肿性肿瘤瘤的临的临床床图像图像的的Han S S, Kim M S, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm.J. Journal of InvestigativeDermatology, 2018.分类研究分类研究（ Journal of Investigative Dermatology ，2018） 研究包括研究包括12种

13、疾病：种疾病：3131使用使用19,398 张训练集图像对卷积神经网络（张训练集图像对卷积神经网络（ ResNet-152 模型）进行微调训练模型）进行微调训练Han S S, Kim M S, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learningalgorithm.J. Journal of Investigative Dermatology, 2018. 为了提高模型的特异性为了提高模型的特异性，使使 用其他用其他

14、248种疾病的种疾病的 159477张的图像张的图像 为了取得种族平衡：加为了取得种族平衡：加入入了了3820幅白种人的图像集幅白种人的图像集32使用使用 Asan、Hallym 和和 Edinburgh 三组数据集的测试集图像验证训三组数据集的测试集图像验证训 练后的模型练后的模型 Asan 数据集：数据集：基底细胞癌、鳞基底细胞癌、鳞状状细胞细胞癌癌、表、表皮皮内癌内癌、黑色黑色素素瘤瘤诊诊 断的曲线下面积断的曲线下面积（AUC）分别是分别是 0.96 0.01、0.83 0.01、 0.82 0.02、0.96 0.00 Edinburgh 数据集：四种疾病的曲数据集：四种疾病的曲线线下

15、面下面积积分别是分别是 0.90 0.01、0.91 0.01、0.83 0.01、0.88 0.01 Hallym 数据集：基底细胞癌数据集：基底细胞癌诊诊断的断的敏敏感度是感度是 87.1% 6.0%Han S S, Kim M S, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm.J. Journal of33Investigative Dermatology, 2018.CNN可与皮肤

16、科医师相媲可与皮肤科医师相媲美美 使用经过病理验证的图使用经过病理验证的图像像测试测试算算法性能法性能 图像数目：恶性肿瘤图像数目：恶性肿瘤25张张类类，良，良性性肿瘤肿瘤20张张类类 16 位皮肤科医生相比位皮肤科医生相比（10位专家位专家，6位工位工作作十年十年以以上的上的皮皮肤科医肤科医师）师）Han S S, Kim M S, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm.J. Jo

17、urnal o3f4Investigative Dermatology, 2018.非商业公开临床图片资料非商业公开临床图片资料库库Medi- calPhoto (http:/medicalphoto.org)Han S S, Kim M S, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm.J.Journal of Investigative Dermatology, 2018.35国际论文

18、二：在甲真菌病的诊断方国际论文二：在甲真菌病的诊断方面面，深，深度度神经神经网网络的络的表表现与现与皮皮 肤科医师相当甚至超过皮肤科医师肤科医师相当甚至超过皮肤科医师水水平：平：使使用基用基于于区域区域的的深深度卷度卷 积神经网络积神经网络（R-CNN）自动分割图像，构建自动分割图像，构建甲甲真菌真菌病病数据数据集集（ Plos One, 2018）Han S S, Park G H, Lim W, et al. Deep neural networks show an equivalent and often superior performance to dermatologists in

19、 onychomycosis diagnosis: Automatic construction of onychomycosis datasets by region-based convolutional deep neural networkJ. Plos One, 2018, 13(1):e0191493.3636使使用用R-CNN对图像进行自动识别和分对图像进行自动识别和分割割CNN选择手足部位选择手足部位CNN甲板特征发掘甲板特征发掘CNN精细图像选择：精细图像选择：去掉不完全准确的图像去掉不完全准确的图像37A：准确图像：甲板占图像：准确图像：甲板占图像的的50-80%B: 不完

20、全准确图像：甲占不完全准确图像：甲占据空间太小或太大不利于观据空间太小或太大不利于观 察周围皮肤，仅包含部分甲、察周围皮肤，仅包含部分甲、 有异物、含两个以上甲有异物、含两个以上甲C：错误图片：与甲形状相：错误图片：与甲形状相 似，如牙齿、疣似，如牙齿、疣R-CNN图像自动选择的标准图像自动选择的标准38训练方法及测试结果训练方法及测试结果模型测试结果模型测试结果四组数据集对模型进行测试，四组数据集对模型进行测试， 敏感性特异性敏感性特异性AUC分别分别 为：为： B1：96.0 / 94.7 / 0.98 B2：82.7 / 96.7 / 0.95 C:92.3 / 79.3 / 0.93

21、D:87.7 / 69.3 / 0.82训练方法训练方法使用得到的使用得到的 49,567幅图幅图像像 对对ResNet-152 和和VGG-19模模型使用型使用迁移学迁移学 习习方法进行微方法进行微 调训练调训练39CNN与与42位皮肤科位皮肤科医医师对师对比比研究研究 B1和和C组数据集：组数据集：CNN诊断诊断结结果果显显著优著优于于皮肤皮肤科科医师医师 B1+C 组数据集：没有一名皮肤组数据集：没有一名皮肤科科医师医师优优于于CNN图图A，B1组数据集：组数据集：50 张甲真菌病和张甲真菌病和50张甲营张甲营 养不良养不良图图B，C组组数据数据集集：57张甲真菌病和张甲真菌病和68张甲

22、营养不良张甲营养不良图图C,B1+C组数据组数据 集集：107张甲真菌张甲真菌 病和病和118张甲营养张甲营养 不良不良40国际论文三：在皮肤肿瘤的诊断方国际论文三：在皮肤肿瘤的诊断方面面，基，基于于深度深度学学习的习的、使使 用临床图像用临床图像小数据集小数据集的计算的计算机机辅助辅助分分类表类表现现超过超过专专业皮业皮肤肤科科 医师（医师（ Br J Dermatol, 2018.6）Fujisawa Y, Otomo Y, Ogata Y, et al. Deep learning-based, computer-aided classifier developed with a sma

23、ll dataset of clinical images surpasses board-certified dermatologists in skin tumor diagnosis.J. Br J Dermatol.2018 Jun 14. doi: 10.1111/bjd.16826.4141实验设计实验设计 数据集：数据集： 1842位患者位患者的的6009 幅临床图像幅临床图像训练集：训练集：4867幅幅 ； 验证集和测试集：验证集和测试集： 1142 幅幅 神经网络：神经网络： GoogLeNet DCNN model architecture 13位位经过资格认证的皮肤科经过

24、资格认证的皮肤科医医师和师和9位位皮肤皮肤科科实习实习医医师师 14种疾病种疾病：MM, SCC, BD, AK, BCC, 痣细胞痣痣细胞痣(NCN), 蓝蓝痣痣(BlueN), Spitz 痣痣, 皮脂腺痣皮脂腺痣(SebacN), 汗孔瘤汗孔瘤（poroma）, SK, 斑痣（斑痣（nevus spilus）, 单纯性黑单纯性黑 子，先天性色痣子，先天性色痣(CongN)除了后三种疾病以外，除了后三种疾病以外，均均经过经过病病理验证理验证Fujisawa Y, Otomo Y, Ogata Y, et al. Deep learning-based, computer-aided cla

25、ssifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumor diagnosis.J. Br J Dermatol.2018 Jun 14. doi: 10.1111/bjd.16826.4243CNN与皮肤科医师对比诊断共分为4个级别DCNN与与21位皮肤科医师对比研位皮肤科医师对比研究究结果结果 DCNN：总总准确率准确率为为76.5%， 敏感度（恶性诊断为恶敏感度（恶性诊断为恶性性） 96.3%，特异度（良性诊断特异度（良性诊

26、断为良性）为良性） 89.5% 皮肤科医师：皮肤科医师：13位位经过资格经过资格认认证的证的皮皮肤肤 科医师和科医师和9位位皮肤科实习皮肤科实习医医师的师的准准确率分确率分 别为别为85.3% 3.7% 和和 74.4% 6.8% DCNN 准确率：准确率：92.4% 2.1% (P .0001)1、具体到疾病名称、具体到疾病名称2、良恶性分类、良恶性分类Fujisawa Y, Otomo Y, Ogata Y, et al. Deep learning-based, computer-aided classifier developed with a small dataset of cli

27、nical images surpasses board-certified dermatologists in skin tumor diagnosis.J. Br J Dermatol.2018 Jun 14. doi: 10.1111/bjd.16826.44内部特征可视化内部特征可视化 可视化方法：可视化方法：降维方法降维方法（dimensionality reduction method） 显示代表不同疾病的点在图中的位显示代表不同疾病的点在图中的位置置Fujisawa Y, Otomo Y, Ogata Y, et al. Deep learning-based, computer

28、-aided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumor diagnosis.J. Br J Dermatol. 2018 Jun 14. doi: 10.1111/bjd.16826.4446国际论文四：基于皮肤镜图像使用深度卷积神经网络国际论文四：基于皮肤镜图像使用深度卷积神经网络检检测肢端恶性黑色素瘤（测肢端恶性黑色素瘤（ Plos One, 2018.3）Yu C, Yang S, Kim W, et

29、 al. Acral melanoma detection using a convolutional neural network for dermoscopy images.J. Plos One, 2018, 13(4):e0193321.45数数 据据 集集 与与 方方 法法724幅皮肤镜图像幅皮肤镜图像（350幅肢端恶黑、幅肢端恶黑、374幅幅肢端色素痣）肢端色素痣）均经过病理诊断均经过病理诊断测试集测试集：1/2，验证集验证集：1/247）CNNnon-experts （2位位 ）expert（2位位Ture positive83.51%67.84%81.08%True negat

30、ive80.23%62.71%81.64%结果与结论结果与结论结论结论：CNN在肢端恶黑的检测中达到了在肢端恶黑的检测中达到了专专家水家水平平。48国际论文五：深度卷积神经网络对黑色国际论文五：深度卷积神经网络对黑色素瘤素瘤皮肤镜图像的诊断皮肤镜图像的诊断表表现与现与58位皮肤科医师对比（位皮肤科医师对比（ Annals of Oncology , 2018.3）H. A. Haenssle1, C. Fink, et al. Man against machine: diagnostic performance of a deep learning convolutional neural

31、network for dermoscopic melanoma recognition in comparison to 58 dermatologists.J. Annals of Oncology ,0: 17, 2018 doi:10.1093/annonc/mdy166.49数数 据据 集集德国、美国和法国的研究人员使用德国、美国和法国的研究人员使用10 万多幅恶性黑色素瘤万多幅恶性黑色素瘤300幅皮肤镜图像作为测试集幅皮肤镜图像作为测试集临床医生诊断其中最难的临床医生诊断其中最难的100幅幅Level-I：58位皮肤科医师根位皮肤科医师根 据皮肤镜图像给出诊断据皮肤镜图像给出诊断和

32、和下一下一 步管理策略步管理策略Level-II：4周后，根周后，根 据据临床信临床信息息结合皮肤结合皮肤 镜图像再次给出诊断镜图像再次给出诊断 和下一步管理策略和下一步管理策略与与CNN结果对比结果对比数据集与方法数据集与方法49结果结果sensitivit yspecificit ylevel-I86.6%71.3%level-II88.9%75.7%CNN注注：CNN的结的结为在为在ROC 曲线曲线82.5% ，取皮肤科医，取皮肤科医师师果果上上的敏感度的敏感度86.6%和和88.9%时时，CNN的特异度。的特异度。CNN的得分结果接近的得分结果接近the ISBI2016 challe

33、nge排名前三的算法排名前三的算法CNN诊断的诊断的 ROC曲线图曲线图50皮肤组织病理的自动分皮肤组织病理的自动分类类 表皮提供大多数疾病的表皮提供大多数疾病的关关键信键信息息，通，通常常为病为病理理学家学家检检查皮查皮肤肤组织组织的的首检首检区区域，域，Lu等基于等基于WSI以及以及CAD技术，实现表技术，实现表皮皮区域区域的的自动自动分分割与割与分分析，析，灵灵敏度敏度、精确精确度度分分别别达达到到97.99%、96% Xu等提出黑色素瘤等提出黑色素瘤WSI自自动动分析分析与与分类分类技技术，术，经经66例皮肤例皮肤WSI图图像像证实证实，该方该方法法达到达到95%以上的分类精度，以上的

34、分类精度，表表明该明该技技术有术有望望为病为病理理学家学家提提供黑供黑色色素瘤素瘤诊诊断的断的参参考意见考意见 Zhang等基于多实等基于多实例例多标多标记记学习学习（multi-instance multilabel learning, MIML）的框）的框 架，通过对病理医师的架，通过对病理医师的诊诊断思断思维维建模建模，实现实现皮皮肤病肤病理理图像图像的的自动自动标标注注51皮肤病治疗皮肤病治疗 Cazzaniga 等应用神经网络模型预测接受准分子激光治愈白癜风所需的治疗等应用神经网络模型预测接受准分子激光治愈白癜风所需的治疗次次 数数 Khozeimeh等基于模糊规则算法等基于模糊规则

35、算法（fuzzy rule-based）为寻常疣、跖疣选择）为寻常疣、跖疣选择 最佳疗法（免疫疗法和冷冻疗法），并预测治疗效果最佳疗法（免疫疗法和冷冻疗法），并预测治疗效果 而现有的医疗应用中而现有的医疗应用中，Derma Compare利用云人工智能技术，用户利用云人工智能技术，用户通通过手机过手机 摄像头进行摄像头进行“全身摄影全身摄影”，上传至应用程序后，系统便可判断某种痣是否为黑，上传至应用程序后，系统便可判断某种痣是否为黑 色素瘤前兆。色素瘤前兆。52医学机器人医学机器人 2011年年，artas系统由美国食品药监局正式批准用于男性毛发移植系统由美国食品药监局正式批准用于男性毛发移植

36、 随着机器人盆腔淋巴结清扫术随着机器人盆腔淋巴结清扫术（robotic pelviclymphadenectomy,RPL）在外科以及妇产科成功应用，在外科以及妇产科成功应用，Sohn等于等于2010年首次应用该技术治疗两例骨盆转移性黑色素瘤的病人。年首次应用该技术治疗两例骨盆转移性黑色素瘤的病人。53以上研究看到了皮以上研究看到了皮肤肤科科AI的潜力的潜力，但存在瓶颈！但存在瓶颈！54P ART3AI在皮肤科应用的未来在皮肤科应用的未来展展望望55深度学习在皮肤科的应深度学习在皮肤科的应用用图像及临床图像及临床 信息采集信息采集图像存储图像存储 与管理与管理图像处理与图像处理与 特征提取特征

37、提取图像识别与图像识别与 诊断诊断推荐病人个推荐病人个 体化管理策体化管理策 略、随访略、随访多模态信息多模态信息 关联，去除关联，去除 不达标图像不达标图像实时、便捷实时、便捷 调取图像调取图像发现发现人人眼无眼无 法识别的图法识别的图 像特征像特征识别分识别分 类，节约类，节约 时间、提时间、提 升水平升水平正确诊疗，正确诊疗， 疗效评估疗效评估56区块链与皮肤科影像应区块链与皮肤科影像应用用数据验证区块账数据验证区块账本本应用服务商应用服务商科研机构科研机构医院影像中心医院影像中心个人影像中心个人影像中心其它影像中心其它影像中心57皮肤科影皮肤科影像像AI发展建发展建议议技术技术 方面方

38、面算法：发展无监督学习算法：发展无监督学习数据：建立广泛来源、标数据：建立广泛来源、标 准化数据集，提高训练数准化数据集，提高训练数 据质量；使用不同医院数据质量；使用不同医院数 据，提升模型鲁棒性及推据，提升模型鲁棒性及推 广性；形成影像标注共识广性；形成影像标注共识 和方法；通过迁移学习解和方法；通过迁移学习解 决数据量小的问题决数据量小的问题模型监督：模型生产在监督下模型监督：模型生产在监督下 发展，前中后期过程规范；建发展，前中后期过程规范；建 立模型效果评估指标，模型安立模型效果评估指标，模型安 全全性性评评估估，诊诊断断建建议议分分级级制制度度， 制定医疗机构准入机制制定医疗机构准

39、入机制软件评估：构建人工智能医用软件评估：构建人工智能医用 软件评估专家团队，建立模型软件评估专家团队，建立模型检测标准库，研制模型评价体检测标准库，研制模型评价体 系与标准系与标准产业产业 方面方面应用应用 方面方面多模态资料融合：影像多模态资料融合：影像 诊诊断模型训练应结合病断模型训练应结合病史、体征、实验室检查史、体征、实验室检查 等等信息，进一步提信息，进一步提升升AI 综合综合诊断能力诊断能力影像诊断模型应符合临床影像诊断模型应符合临床应用场景、人机交互友好应用场景、人机交互友好（方便实用、节约时间）（方便实用、节约时间）加速产品落地加速产品落地58华夏皮肤影像人工智能协作组成立华夏皮肤影像人工智能协作组成立2018.5.11 北京北京59国际皮肤镜协国际皮肤镜协会会 (InternationalDermoscopy Society, IDS)60