[论文解读] AI-Skin : Skin Disease Recognition based on Self-learning and Wide Data Collection through a Closed Loop Framework

Min Chen, Ping Zhou+4 more|arXiv (Cornell University)|Jun 5, 2019

Cutaneous Melanoma Detection and Management参考文献 37被引用 6

一句话总结

本文提出了一种基于边缘-云协同的闭环AI-Skin框架，通过自学习与跨边缘和云系统的广泛数据采集，实现实时、个性化的皮肤疾病识别。通过基于信息熵的数据过滤与模块化深度学习接口，系统实现了亚秒级端到端延迟（平均边缘计算延迟1.2秒），并在多种皮肤类型与图像分辨率下保持高分类准确率。

ABSTRACT

There are a lot of hidden dangers in the change of human skin conditions, such as the sunburn caused by long-time exposure to ultraviolet radiation, which not only has aesthetic impact causing psychological depression and lack of self-confidence, but also may even be life-threatening due to skin canceration. Current skin disease researches adopt the auto-classification system for improving the accuracy rate of skin disease classification. However, the excessive dependence on the image sample database is unable to provide individualized diagnosis service for different population groups. To overcome this problem, a medical AI framework based on data width evolution and self-learning is put forward in this paper to provide skin disease medical service meeting the requirement of real time, extendibility and individualization. First, the wide collection of data in the close-loop information flow of user and remote medical data center is discussed. Next, a data set filter algorithm based on information entropy is given, to lighten the load of edge node and meanwhile improve the learning ability of remote cloud analysis model. In addition, the framework provides an external algorithm load module, which can be compatible with the application requirements according to the model selected. Three kinds of deep learning model, i.e. LeNet-5, AlexNet and VGG16, are loaded and compared, which have verified the universality of the algorithm load module. The experiment platform for the proposed real-time, individualized and extensible skin disease recognition system is built. And the system's computation and communication delay under the interaction scenario between tester and remote data center are analyzed. It is demonstrated that the system we put forward is reliable and effective.

研究动机与目标

• 解决现有皮肤疾病识别系统过度依赖静态、集中化数据集且缺乏个性化的局限性。
• 通过用户与远程医疗中心的持续数据采集，实现闭环信息流，支持实时、个性化的诊断。
• 通过在边缘节点采用基于信息熵的算法过滤低质量数据，减轻网络与计算负载。
• 通过设计兼容多种深度学习模型（LeNet-5、AlexNet、VGG16）的模块化算法接口，确保系统可扩展性。
• 通过端到端延迟分析与使用移动拍摄皮肤图像的真实世界测试，验证系统的可靠性。

提出的方法

• 在用户设备与远程医疗数据中心之间实现闭环数据流，持续更新用户皮肤图像、健康数据、环境因素及模型参数。
• 设计基于信息熵的数据集过滤算法，对边缘节点的原始数据进行预处理与高质量数据筛选，提升数据质量与模型学习效率。
• 部署插件式算法加载模块，支持多种深度学习模型（LeNet-5、AlexNet、VGG16）的动态集成与对比，实现灵活的模型部署。
• 利用边缘计算在本地执行初始图像分类，降低传输负载与通信延迟。
• 整合基于云的模型训练与优化，实现自学习与随时间持续改进的模型性能。
• 在2 Mbps带宽的实际通信条件下，对端到端延迟进行分析，测量计算延迟与传输延迟。

实验结果

研究问题

• RQ1 如何通过用户与医疗中心的持续数据反馈，利用闭环系统提升皮肤疾病识别的准确率与个性化水平？
• RQ2 基于信息熵的边缘节点数据过滤算法在多大程度上可减少数据传输负载，同时保持模型学习性能？
• RQ3 在实际通信条件下，实时边缘-云协同皮肤疾病识别系统的端到端延迟性能如何？
• RQ4 图像分辨率与压缩对基于移动设备的皮肤疾病检测系统中分类准确率与计算延迟有何影响？
• RQ5 模块化算法接口能否在医疗AI框架中无缝支持多种深度学习模型（如LeNet-5、AlexNet、VGG16）的集成与对比？

主要发现

• 在AlexNet模型下，系统平均边缘计算延迟为1.2秒，总端到端通信延迟（计算+传输）约为1秒。
• 在AlexNet模型下，总通信延迟的标准差为75 ms；在LeNet-5模型下为63 ms，表明系统性能稳定且可预测。
• 高分辨率图像（1233634字节）在边缘节点的处理速度高于低分辨率图像（4830字节），与常规预期相反，可能归因于模型优化与特征提取效率的提升。
• 对于黑头与皮肤斑点等皮肤疾病，分类准确率始终保持在1.0的检测概率，无论图像分辨率如何，表明系统对压缩具有强鲁棒性。
• 系统展现出强大的可扩展性，通过统一的算法加载接口，成功支持并对比了三种不同的深度学习模型——LeNet-5、AlexNet与VGG16。
• 闭环框架支持持续自学习与数据演化，通过用户与医疗数据的迭代反馈，逐步提升模型的适应性与个性化水平。