[论文解读] Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities

Manu S. Goyal, Thomas Knackstedt+2 more|arXiv (Cornell University)|Nov 26, 2019

Cutaneous Melanoma Detection and Management被引用 15

一句话总结

本综述评估了基于人工智能的皮肤癌诊断图像分类，重点关注应用于临床、皮肤镜和组织病理学图像的深度学习模型。尽管在受控环境中人工智能的表现与皮肤科医生相当或更优，但在实际部署中仍面临诸多挑战，如缺乏临床数据整合、偏见以及泛化能力有限，这些因素仍是临床应用的主要障碍。

ABSTRACT

Recently, there has been great interest in developing Artificial Intelligence (AI) enabled computer-aided diagnostics solutions for the diagnosis of skin cancer. With the increasing incidence of skin cancers, low awareness among a growing population, and a lack of adequate clinical expertise and services, there is an immediate need for AI systems to assist clinicians in this domain. A large number of skin lesion datasets are available publicly, and researchers have developed AI-based image classification solutions, particularly deep learning algorithms, to distinguish malignant skin lesions from benign lesions in different image modalities such as dermoscopic, clinical, and histopathology images. Despite the various claims of AI systems achieving higher accuracy than dermatologists in the classification of different skin lesions, these AI systems are still in the very early stages of clinical application in terms of being ready to aid clinicians in the diagnosis of skin cancers. In this review, we discuss advancements in the digital image-based AI solutions for the diagnosis of skin cancer, along with some challenges and future opportunities to improve these AI systems to support dermatologists and enhance their ability to diagnose skin cancer.

研究动机与目标

• 评估人工智能驱动的图像分类在多种成像模式下的皮肤癌诊断现状。
• 识别阻碍人工智能在皮肤科实际部署的关键技术和临床挑战。
• 探索通过整合临床元数据和多模态数据提升人工智能鲁棒性的机遇。
• 倡导在人工智能部署前开展严格的临床验证，并推动计算机视觉与皮肤科领域之间的协作。

提出的方法

• 使用PubMed和Google Scholar对2012年至2020年间的同行评审文献进行系统性回顾，采用有针对性的检索词。
• 按成像模式对人工智能性能研究进行分类：临床图像、皮肤镜图像和组织病理学图像。
• 分析公开可用的数据集，特别是ISIC数据集，及其在训练和基准测试人工智能模型中的作用。
• 评估数据增强、生成对抗网络（GANs）和迁移学习技术在提升模型泛化能力方面的作用。
• 检查结合影像特征与临床元数据的混合模型，以提高诊断准确性。
• 讨论模拟皮肤科医生诊断流程的多模态处理流程。

实验结果

研究问题

• RQ1 在不同成像模式下，人工智能模型在皮肤病变分类方面与皮肤科医生的表现如何比较？
• RQ2 限制人工智能在皮肤癌诊断中实际应用的主要技术和临床挑战是什么？
• RQ3 将临床元数据与影像数据结合是否能提升人工智能的诊断准确性？
• RQ4 数据增强和生成模型如何提升模型的鲁棒性和泛化能力？
• RQ5 严格的临床验证在确保人工智能在皮肤科安全有效部署中的作用是什么？

主要发现

• 在受控研究中，基于皮肤镜和临床图像训练的人工智能模型表现与 board-certified dermatologists 相当或更优。
• 仅基于影像数据训练的深度学习模型往往难以泛化到不同人群，尤其是由于深色皮肤类型代表性不足。
• 一项研究显示，整合患者病史和生活方式等临床元数据，可将平衡预测准确率提高约7%。
• 当前的人工智能系统缺乏对多模态数据（如皮肤镜和组织病理学）的整合，无法复制完整的皮肤科医生诊断流程。
• 由于数据噪声、偏见以及在多样化人群中的验证不足，研究环境中表现出的高性能与实际临床应用之间存在显著差距。
• 在人工智能工具能够安全地应用于临床实践之前，必须开展严格的临床验证，并加强人工智能研究人员与皮肤科医生之间的协作。