[论文解读] Skin disease diagnosis with deep learning: a review

Hongfeng Li, Yini Pan+2 more|arXiv (Cornell University)|Nov 11, 2020

Cutaneous Melanoma Detection and Management参考文献 228被引用 4

一句话总结

本文综述了深度学习在皮肤疾病诊断中的应用，重点聚焦于使用皮肤镜图像进行图像分类和分割的卷积神经网络（CNNs）。研究结果表明，深度学习模型在顶1准确率和顶3准确率上分别达到60.0%和80.3%，超过人类专科医生；同时指出了数据稀缺性、可解释性以及泛化能力方面的挑战。

ABSTRACT

Skin cancer is one of the most threatening diseases worldwide. However, diagnosing skin cancer correctly is challenging. Recently, deep learning algorithms have emerged to achieve excellent performance on various tasks. Particularly, they have been applied to the skin disease diagnosis tasks. In this paper, we present a review on deep learning methods and their applications in skin disease diagnosis. We first present a brief introduction to skin diseases and image acquisition methods in dermatology, and list several publicly available skin datasets for training and testing algorithms. Then, we introduce the conception of deep learning and review popular deep learning architectures. Thereafter, popular deep learning frameworks facilitating the implementation of deep learning algorithms and performance evaluation metrics are presented. As an important part of this article, we then review the literature involving deep learning methods for skin disease diagnosis from several aspects according to the specific tasks. Additionally, we discuss the challenges faced in the area and suggest possible future research directions. The major purpose of this article is to provide a conceptual and systematically review of the recent works on skin disease diagnosis with deep learning. Given the popularity of deep learning, there remains great challenges in the area, as well as opportunities that we can explore in the future.

研究动机与目标

• 系统回顾应用于皮肤疾病诊断的深度学习方法，尤其关注黑色素瘤和非黑色素瘤类型。
• 识别在皮肤科图像分析中使用的关键数据集、深度学习架构和评估指标。
• 分析当前局限性，如对标注数据的依赖、模型可解释性的缺乏，以及在不同皮肤类型间的泛化能力。
• 提出未来研究方向，包括半监督学习、强化学习以及可解释人工智能，以支持临床部署。

提出的方法

• 采用系统综述方法，检索2011至2020年间关于皮肤科深度学习的同行评审文献。
• 根据任务对深度学习模型进行分类与分析：皮肤病变的图像分类、分割和定位。
• 使用标准指标（如顶1准确率、顶3准确率、AUC和F1-score）在ISIC等公开数据集上评估性能。
• 回顾预训练的CNN架构（如Inception、ResNet）在皮肤镜图像上进行微调以实现迁移学习的应用。
• 评估数据增强和自监督技术在缓解小规模标注数据集限制中的作用。
• 提出将临床标准（ABCDE、7点检查表）整合到模型解释中，以提升可解释性。

实验结果

研究问题

• RQ1 与人类皮肤科医生相比，深度学习模型在分类皮肤癌类型方面的表现如何？
• RQ2 在皮肤镜图像分析中，哪些深度学习架构和框架最为有效？
• RQ3 在真实临床环境中部署深度学习系统面临的主要挑战是什么？
• RQ4 半监督学习和自监督学习如何减少在皮肤疾病诊断中对大规模标注数据集的依赖？
• RQ5 强化学习或可解释人工智能能否提升皮肤疾病分类中的诊断决策能力？

主要发现

• 在皮肤疾病数据集上，深度学习模型的顶1分类准确率和顶3分类准确率分别达到60.0%和80.3%，在部分基准测试中超过人类专科医生。
• 在皮肤镜图像上微调的预训练卷积神经网络（CNNs）显著提升了皮肤病变分类任务的性能。
• 现有系统由于数据集偏差和数据多样性不足，在不同皮肤类型和病变形态之间泛化能力较弱。
• 模型可解释性的缺乏仍是临床采纳的主要障碍，因为临床医生需要与ABCDE或7点检查表等临床标准一致的解释。
• 半监督学习在减少对大规模标注数据集依赖方面展现出潜力，但目前极少有研究将其应用于皮肤疾病诊断。
• 强化学习尚未应用于皮肤疾病诊断，但其在诊断工作流中实现序列决策方面具有潜在应用前景。