早期诊断

为什么？因为潜在的益处是惊人的，甚至可以说是巨大的。从发现放射学扫描中的异常到在症状出现前预测遗传疾病，AI带来了准确性、速度和医疗保健的圣杯——早期检测。我们知道早期检测是可管理治疗与改变生命的疾病之间的区别。AI可以将这一点提升到一个全新的水平。

但就像科技领域的大多数事物一样，事情并不那么简单。

尽管前景广阔，AI在医学中面临严重障碍。第一个也是最明显的是数据问题。AI依赖数据，需要数千甚至数百万个样本来学习。然而，医疗数据很难获取，因为它被隐私立法、道德标准和机构繁文缛节层层封锁。这是合理的，因为许多人不会希望在未经同意的情况下让自己的MRI扫描出现在训练集中。

接下来是测试问题。在实验室中开发一个有前景的诊断模型是一回事；在医院中运行它，面对真实的患者，则是完全不同的另一回事。在处理人类生命时没有沙盒模式，这使得现实世界的验证在道德上具有挑战性、在法律上具有风险性，并且进展极其缓慢。

尽管AI带来了诸多好处，但它会犯错。特别是在早期阶段，即使是1%的错误率，在处理诊断、处方或手术建议时也可能产生巨大后果。风险很高，医学不是一个容忍”快速行动、打破常规”的行业。

然后还有人为因素：阻力。许多医疗专业人员对AI技术持怀疑态度，有些人担心会被取代，而另一些人在做出生死决策时根本不信任黑盒系统。

如果有一个令人信服的嵌入式AI在医疗保健中的应用案例，那么开发一个能够在世界偏远地区运行、早期识别皮肤癌的新AI系统肯定就是它。

在苏格兰的赫瑞瓦特大学，博士研究员Tess Watt开发了一种低成本、离线的诊断工具，使用人工智能来识别潜在的皮肤癌。该系统在树莓派上运行，不需要云后端、互联网连接，也不需要等待实验室结果。

这一发展是边缘AI的一个极好例子，它可能改变农村社区获取医疗保健的方式。

该研究强调，皮肤癌仍然是全球最常见的癌症之一，早期干预对生存率至关重要。通过将AI直接嵌入便携式系统，研究人员可以绕过许多传统上延迟诊断的基础设施限制。正如MDPI研究指出的那样，此类解决方案不仅价格合理，而且可扩展，意味着它们可以在资源匮乏的环境中作为可访问的一线诊断选择。

要使用该设备，患者使用连接到树莓派的基本摄像头模块拍摄皮肤病变的照片。然后设备使用在数千个已知皮肤病案例上训练的图像分类模型进行本地推理。几秒钟内，它就会输出初步诊断结果。该结果可以传递给当地的医疗保健提供者（如果有的话），以进行进一步审查和治疗规划。

重要的是，Watt及其同事测试的诊断模型是使用公开可用的皮肤病图像数据集进行训练的，确保了其开发的可重复性和透明度。根据MDPI论文，利用开放数据集对于增加对AI医疗工具的信任至关重要，特别是在解决监管要求和有关患者数据使用的道德问题时。

在这种设计中，没有上传、没有数据泄漏、也没有延迟。

数据隐私仍然是医疗AI采用的核心障碍之一。通过完全离线运行，边缘设备减轻了与患者机密泄露相关的风险。MDPI研究强调，减少对外部服务器的依赖在保持符合数据保护标准方面特别重要，这个问题继续挑战着基于云的医疗平台。

皮肤癌是全球最常见的癌症，每年新增病例超过所有其他癌症的总和。幸运的是，如果早期发现，大多数皮肤癌都是高度可治疗的。挑战在于在它们扩散之前发现它们。对于最危险的皮肤癌类型黑色素瘤，早期诊断的五年生存率超过95%，但一旦转移，生存率急剧下降至约30%（美国癌症协会，2024年）。

AI系统基于深度学习算法构建，这是一种机器学习形式，计算机通过处理大量图像来学习模式。对于皮肤癌检测，AI在包含数百万张皮肤病变照片的数据库上进行训练，这些照片由皮肤科医生标记并经活检确认。
当呈现新图像时，AI将病变与其学习到的模式进行比较，并计算恶性概率。在临床环境中，这个概率可以帮助皮肤科医生决定是否需要进行活检。

在皮肤科诊所中，AI被整合到数字皮肤镜系统中。当皮肤科医生拍摄痣的图像时，AI软件会立即分析并提供恶性风险评分。皮肤科医生然后将这些信息与他们自己的临床判断结合使用。

除了诊所，AI也进入了消费者健康领域。几款智能手机应用允许用户拍摄痣的照片并接收风险评估。虽然这些工具可以提高意识，但它们的可靠性各不相同。

AI在皮肤癌检测中为患者提供了几个潜在优势。
首先，它改善了早期检测，这是生存的最重要因素。通过分析肉眼看不见的细微模式，AI可以帮助在癌症扩散之前发现它们。其次，它减少了假阳性。许多患者接受了活检，结果却是良性的。通过使风险评估更加准确，AI减少了不必要的程序、疤痕和焦虑。
第三，它提供了更快的结果。患者可能立即获得评估结果，而不是等待数天的专家审查。最后，AI扩大了获得护理的机会。在皮肤科医生较少的地区，AI辅助筛查可以帮助非专科医生识别可疑病变，从而实现早期转诊和治疗。

尽管前景广阔，但AI也有局限性。

AI依赖于训练数据的质量和多样性。许多早期系统主要针对较浅肤色进行训练，导致在检测较深肤色类型的癌症时准确性较低（Adamson & Smith，2018年，《JAMA皮肤病学》）。
这引发了关于癌症护理公平性的担忧。目前正在努力创建更具包容性的数据集。

此外，对于普通患者而言，在线论坛为他们提供了讨论健康问题（包括皮肤病）的平台。使用基于图像的适当AI工具可以让患者及早发现和治疗潜在疾病。及时诊断和治疗罕见及传染性皮肤病具有重要的临床价值，因为它们可以促使皮肤科医生制定适当的治疗方案，改善患者体验，降低长期后遗症的风险，并减少严重皮肤不良反应或侵袭性皮肤癌的发生率和死亡率。在宏观层面，这将有助于医疗资源的最佳利用，包括针对性治疗和适当转诊至专科医生。这可以缓解医疗系统的压力，并最大限度地减少医疗资源的浪费。此外，AI诊断信息可以更直接、系统地整合到其他系统中，为公共卫生干预、政策制定和资源分配提供信息。

皮肤病在中国构成了重大挑战。互联网健康论坛为数百万用户提供了讨论皮肤病和分享图像以进行早期干预的平台，留下了大量有价值的皮肤病学图像。然而，数据质量和标注问题限制了这些资源在开发诊断模型方面的潜力。在本研究中，我们提出了一种深度学习模型，利用来自不同在线来源的未标注皮肤病学图像。我们采用对比学习方法从未标记图像中学习通用表示，并对来自互联网论坛的粗略标注图像进行微调。我们的模型能够分类22种常见皮肤病。为了提高标注质量，我们使用了一种聚类方法，配合少量标准化验证图像。我们在由来自15家三甲医院的33名经验丰富的皮肤科医生收集的图像上测试了该模型，并实现了45.05%的top-1准确率，比已发布的基线模型高出3%。准确率随着额外验证图像的加入而提高，在每类50张图像时达到49.64%。我们的模型还展示了对新任务的可迁移性，例如检测猴痘，在训练过程中仅使用50张额外图像就实现了61.76%的top-1准确率。我们还在基准数据集上测试了我们的模型，以展示其泛化能力。我们的发现凸显了在线论坛中未标注图像在未来皮肤病学应用中的潜力，并证明了我们的模型在早期诊断和潜在疫情缓解方面的有效性。

皮肤病在中国构成了重大挑战。每年有多达2.4亿次皮肤科就诊，其中80%是针对黑色素瘤以外的皮肤病。然而，医疗资源分布不均和皮肤科医生短缺可能导致误诊和医疗成本上升。为了改善预后并降低社会成本，准确、便捷地诊断皮肤病至关重要。由于摄影在诊断中的广泛使用，人工智能在皮肤病学中显示出巨大潜力。然而，大多数AI应用专注于良性和恶性病变的诊断，使得AI在更广泛皮肤病领域的潜力在很大程度上尚未被探索。

使用机器学习方法及其基于照片的卷积神经网络深度学习分支进行皮肤病诊断已受到广泛关注。虽然高质量图像对于训练AI模型至关重要，但收集这些图像的人工成本可能极其昂贵。幸运的是，自监督对比学习的最新进展提供了一个解决方案。这些方法能够使用大量未标记或非严格标记的图像对模型进行预训练，并在各种任务中表现出色。先前已有研究探索对比学习在皮肤病诊断中的应用，强调其提取一致表示以及增强泛化能力和诊断准确性的能力。