人工智慧在皮膚科的應用：機遇和挑戰並存

人工智慧（AI）是研究開發用於模擬、延伸和拓展人智能的理論、方法、技術和應用系統的新技術科學，內容包括語音識別、自然語言的處理、機器人系統等。目前 AI 已被應用於多個領域，醫療領域也不例外。在第十三屆中國皮膚科醫師年會上，華中科技大學同濟醫學院附屬協和醫院的陳宏翔教授講述了 AI 在皮膚科應用所面對的機遇和挑戰。

圖 1 陳宏翔教授在本次會議中發表演講

陳宏翔，華中科技大學同濟醫學院附屬協和醫院皮膚科，主任醫師，教授，博士生導師。美國哈佛醫學院麻省總醫院博士後，哈佛大學皮膚生物學研究中心研究員，日本九州大學訪問學者，武漢協和醫院皮膚科副主任，皮膚病與性病研究室主任。

AI 的發展歷程

1956 年美國達特茅斯會議被公認為 AI 的起源，AI 發展至今經歷了幾次起伏。在 50 年代到 70 年代，出現了一個 AI 的黃金時段，但是在 70-80 年代跌入低谷。到 80 年代又再次繁榮，結果遇到技術瓶頸又跌進低谷。隨著 2016 年 AlphaGo 戰勝人類棋手，最近 Alpha 0 又戰勝了 AlphaGo，以及近期漢森公司開發的機器人索菲亞近期獲得沙烏地阿拉伯國籍，特斯拉創始人說或許十年內可以實現人腦直接連接電腦等熱點事件出現，AI 再次成為熱門話題。我國今年的兩會上，AI 首次寫入政府工作報告，也出現在十大文化高頻辭彙中。未來 20 年 AI 可能會發展的非常迅速，在醫療、工業、無人駕駛、智能陪伴等方面都會成為重要的基礎。

AI 的學習模式有兩種，一種是監督式學習，另一種是非監督式學習。比如 AlphaGo 學會所有的圍棋技術是基於人類的知識學習的，屬於監督式學習。AlphaGo 戰勝人類棋手過程中還存在一點失誤，最終以 4:1 戰勝李世石，但是 Alpha 0 是 100:0 戰勝 AlphaGo，是一個跨越式的進步。Alpha 0 和 AlphaGo 的區別是不基於任何人類智慧，人類只告訴它規則，然後它自己處理，相當於非監督式學習。新一代 AI 的特點，有從人工知識表達轉向大數據驅動的知識學習技術，從分類型處理的多媒體數據轉向跨媒體的知識的學習、推理，從追求智能機器到高水平的人機、腦機相互協同和融合，從聚焦個體智能到基於互聯網和大數據的群體智能，從擬人化的機器人轉向更加廣闊的智能自主系統等趨勢。

AI 與醫學的關聯

AI 在醫學的發展也經歷了孕育期、成長期和高峰期。在每一時間段都有標誌性的事件，如在孕育期，1974 年成立斯坦福大學醫學實驗計算機研究項目，主要嘗試應用三個領域：分子生物學、臨床醫療診斷、精神病學，它處於開發研究階段，有很好的實驗效果，奠定了人工智慧在醫學中應用的基礎。成長期的標誌性事件，如 1985 年召開了第一屆歐洲醫學人工智慧會議、1989 年創立了醫學人工智慧雜誌，這一階段里，專家系統具針對性、透明性及靈活性，採用知識表示和推理技術模擬醫生的思維、判斷，輔助醫生解決複雜問題，該階段人工智慧已經在醫學中得到初步的實際應用。孕育期和成長期目前已經不被關注，而高峰期就是指現階段，在多個方面都有突飛猛進的發展，如醫學影像領域，融入更多智能化演算法，提高影像的準確性；醫學數據處理領域，深入研究數據挖掘方法，使醫學大數據發揮更大的價值；診斷治療領域，通過研究模型、方法，建立更先進的專家系統，甚至智能機器人，幫助臨床診斷及治療；研究探索將更多種類的人工智慧方法應用於更多不同的醫學領域。

現在 AI 在醫學影像中發展非常快，還有智能的詢診。簡單的歸納，AI 在醫療領域中應用的場景包括醫療機器人、虛擬助手、電子病歷、智能醫院、健康管理、智能影像、智能診療、智能藥物開發，基因分析等，具有廣闊的醫用前景。

近年來，AI 在醫療領域中不斷發展，多個臨床專科都有相關高水平的文章的出現， 如 JAMA 文章：糖尿病視網膜病變的高靈敏、高特異診斷；Nature 文章：開啟皮膚癌的智能手機篩查；Nature Biomedical Engineering：罕見病的診療建議及監控、腦瘤的術中快速診斷、神經假體的精確控制。在臨床應用方面，曾新聞報道美國研發的 Watson 機器人去年在杭州中醫院學習中醫，之後很快便應用於腫瘤的診斷，並與國內多家醫院的腫瘤科簽訂了臨床應用的合同。

除此之外，AI 還被應用於預測心臟病發作、ICU 中預測病人死亡風險、血型鑒定，面部識別提高患者服藥依從性、宮頸癌的自動識別、血液科骨髓細胞圖像識別及機器人輔助外科手術等方面。

AI 在放射科的發展也非常快，如華中科技大學同濟醫學院附屬同濟醫院的放射科就開始應用 AI 自動閱讀胸片和 CT 結果。在放射領域，AI 對圖像進行識別，包括前期對圖像進行處理、分割、特徵提取和匹配判斷，之後再進行深入學習，深度學習的素材包括患者病例庫或其他醫療資料庫，然後機器會提供輔助判斷。

AI 在皮膚科的應用

皮膚病學是比較依賴形態學特徵的學科，皮膚影像是皮膚病診斷的重要手段。皮膚影像診斷由最初的望診，發展到放大鏡和顯微鏡輔助診斷，再到近年來數字影像學技術和智能分析。目前以皮膚鏡、皮膚超聲、皮膚 CT 為代表的皮膚影像技術已成為臨床皮膚病診斷的重要工具。皮膚鏡對黑色素瘤有很多的診斷方法，包括 ABCD 法、模式識別法、七點檢測法、三點檢測法、CASH 法等，這些方法，指導我們對提取出來的特徵進行打分評價，是 AI 應用比較成熟的例子。如果能結合多維度皮膚影像資源庫，把諸多皮膚病的疾病特徵提取出來，標準化地打分識別，就可以更好地教機器如何判斷。

斯坦福大學在 Nature 上發表了一篇文章，利用 13 萬個皮膚病的圖像資料庫訓練 AI，進行人工只能自動診斷皮膚病的探索，圖像資料庫包含了皮膚鏡圖像、手機照片以及標準化的照片。最後結果，將 AI 診斷系統用於鑒別皮膚良性腫瘤、惡性腫瘤和其他的一些非腫瘤性皮膚病，結果 AI 診斷結果與皮膚科專家診斷結果吻合度非常高，診斷效率打成平手。

在國內的皮膚科 AI 應用上，最近也有很多的進步。如湘雅大學第二醫院與丁香園、大拿科技合作，實現了首個皮膚病的人工智慧診斷的輔助系統，並舉辦了新聞發布會。該系統目前主要針對紅斑狼瘡和皮炎等一系列疾病，識別準確性高達 85% 以上。除此之外，國內其他醫院皮膚科也逐漸開始應用 AI 診斷工具，如北京協和醫院與北京航空航天大學合作，已經開始使用皮膚鏡圖片的自動識別， 在近期的皮膚影像繼續教育班上進行了展示；武漢協和醫院也與香港一家公司合作，應用該公司研發的皮膚智能檢測系統（Dr.Skin），已經可以有效地進行常見皮膚病的圖像智能診斷。中日友好醫院崔勇教授發起的中國人群皮膚影像資源庫（CSID）項目， 目標是建立可用於建立輔助診斷模式的、中國人群特異性的皮膚影像資源，它也是人工智慧用於皮膚病智能診斷可利用的重要學習資源。

但是 AI 在臨床中也遇到了瓶頸，如現在的皮膚病圖譜規模還很小，醫院之間的共享程度較低，且懂醫療的專家不太懂演算法，懂演算法的技術人員不懂醫療，海量數據的標註費時費力，需要跨學科的密切配合。AI+醫療這種複合背景的人才將成為這個領域競爭的核心。

AI 帶來的機遇和挑戰

AI 具有很多優勢，可以高效地處理很多事情，那麼給皮膚科醫生它究竟是會帶來噩夢還是一個助手呢？醫療是最容易受 AI 影響的行業之一，雖然醫生在醫療中的創新、審美、社交、協商方面的優勢是不能被機器替代的，但是每天皮膚科醫生上班也存在大量重複性的勞動、不需要經過大腦，可以通過訓練掌握。

除了智能識別之外，AI 也可以進行人工智慧諮詢。國內已有糖尿病自動詢診的 APP 和機器人，只要把標準化的問題和答案列出來給它，便可以回答單病種患者一些常見的問題。這些低水平重複的工作交給機器來做，替代了醫生的部分工作，也大大提高了工作效率，在這個意義上講 AI 是醫生的一個助手。 但是對普通的醫生來說，雖然提高了工作效率，但也可能大大降低自己在職業中的重要性。每個人在職業中的「不可替代」性非常重要，如果能做到獨一無二就不會被替代，否則就有隨時被替代的危險。因此 AI 的應用，很多工作崗位，存在的重要性大大下降，如京東的無人分撿、馬雲的無人超市，對很多勞動力密集崗位都帶來衝擊。

AI 在皮膚科的優勢也非常明顯，業內也有關於皮膚科醫生和 AI 誰是助手的討論，比如銀屑病、蕁麻疹、痤瘡等常見多發病的診療活動中，診斷、處方、健康宣教很多都是重複性勞動，而且在一個狹小的空間中，甚至每天不用跟同事打交道，只用與患者交流就可以，每天重複著同樣的工作，這整個環節或者是其中一部分，就可能被 AI 替代。

但皮膚科的病種繁多，鑒別標準和診斷標準還不統一，這樣並不太容易教會機器人怎麼識別診斷疾病，屬於 AI 診斷皮膚病的瓶頸問題之一。目前皮膚影像還很難實現病理圖像的自動識別診斷，另外皮膚病中有罕見病，病例非常少，標本量不足以提供機器訓練所需，理想自動識別診斷的效率也難實現。

目前 AI 診斷還有很多的問題存在，除了技術的瓶頸，還有一些哲學問題、法律問題以及倫理問題。如做出 AI 診斷的主體在法律上是人（醫生）還是物（醫療器械）？AI 診斷進入臨床應用的法律標準是什麼？AI 診斷出現缺陷或醫療過失的判斷依據是什麼？AI 診斷髮生醫療損害，誰應承擔法律責任？這些都是帶有共性的法律問題。

AI 雖然是熱點，但目前應用還不成熟，任何一個技術的出現不是為了替代，而是為了支持。AI 是助手還是噩夢誰都不會給出準確的答案，我們的預測，它的到來，對部分精英的醫生而言，可能是提高效率，帶來機遇； 對普通皮膚科醫生，尤其是承擔這低水平重複工作的群體，可能會帶來衝擊和「噩夢」。所以，作為年輕的一代， 有必要了解新知識，擁抱新生事物，對人工智慧積極關注、參與開發、運用，在人機共同進步中掌握主動權。

編輯： 小蘑菇點兒