【TechWeb】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)學成像任務越來越感興趣，在放射學、病理學和皮膚病學等各種應用領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，對不相關的特性表現(xiàn)出驚人的敏感度。或者在“精心策劃”的ML模型訓練及解決與應用領域在結(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。
責任編輯：Rex_01
