Google发布机器学习在皮肤病检测方面的两项新研究

10月25日消息,近几年，机器学习已经在放射学、病理学和皮肤病学等各个应用领域取得了长足进展。此前，Google 分享了人工智能皮肤病学辅助工具的预览，近期，Google发布两项新研究，有望帮助机器学习在皮肤病检测方面取得新的进步。

自监督学习推进医学图像分类

近年来，人们对将 学习应用于医学成像任务越来越感兴趣，在放射学、病理学和皮肤病学等各种应用领域取得了令人振奋的进展。尽管大家兴致盎然，但开发医学成像模型仍然一定的具有挑战性，因为由于注释医学图像需要比较大的工作量，高质量的标记数据通常很少。鉴于此，迁移学习（指解决一个问题时获得的知识并将其应用于不同但相关的问题）是构建医学成像模型的常用模式。使用这种方法，首先在大型标记数据集（如ImageNet）上使用监督学习（让机器学习一个函数）对模型进行预训练，然后在域内医疗数据上对学习的通用结果进行微调。

随着输入皮肤颜色的变化，病变的外观也会发生变化，以匹配不同皮肤类型的病变。

自监督预训练比监督预训练更具可扩展性，因为不需要类标签注释，希望在未来将有助于在医学图像分析中推广自监督方法的使用，从而产生适用于现实世界中大规模临床部署高效且稳健的模型。

描述不足给机器学习带来的挑战

随着机器学习模型使用的领域愈发广泛，机器学习常常会出现一些“意想不到”的行为。例如，在计算机视觉模型中，对不相关的特性表现出惊人的敏感度。或者在“精心策划”的ML模型训练及解决与应用领域在结构上不匹配的预测问题当中，即使处理了一些已知问题，模型行为在部署中仍可能表现出差异性，甚至在训练运行之间也会产生变化。

Google表明在现代机器学习系统中特别普遍的一种故障原因是描述不足（underspecification)。描述不足指的是从业者在构建 ML模型时经常想到的需求与即模型的设计及执行之间的差距。在实际实例中，Google发现描述不足还具有别的实际意义，事实表明单独的标准保持测试不足以确保其在医疗中的可用性。

压力测试中医学影像模型的相对可变性。左上角：当对来自不同相机类型的图像进行评估时，使用不同随机种子训练的糖尿病视网膜病变分类模型之间的 AUC变化。在这个实验中，在训练过程中没有遇到相机类型 5。左下角：在对不同估计皮肤类型进行评估时，使用不同随机种子训练的皮肤状况分类模型之间的准确性差异（由皮肤科医生培训的非专业人士从回顾性照片中得出的近似值，并可能受到标签错误的影响）。右：来自原始测试集（左）和压力测试集（右）的示例图像）。

解决描述不足是一个具有挑战性的问题，需要对超出标准预测性能的模型进行完整的规范和测试。要做到这一点，需要充分了解将使用模型的前因及后果，了解如何收集训练数据，并且通常在可用数据不足时结合领域专业知识。

应用程序帮助判断皮肤健康

Google AI驱动的皮肤病学辅助工具是一个基于网络的应用程序，辅助判断皮肤可能发生的情况。启动该工具后，只需使用手机的相机从不同角度拍摄三张皮肤、头发或指甲问题的图像。然后，应用程序将询问用户皮肤类型、出现问题的时间以及其他症状。AI模型将分析信息，为用户提供可能的匹配条件列表，方便用户进行进一步确认。

根据用户提供的照片和信息，人工智能皮肤科辅助工具将提供建议的条件

对于每个匹配条件，该工具将提供皮肤科医生审查的信息和常见问题的答案，以及来自网络的类似匹配图像。但需要注意的是，该工具并非旨在提供诊断，也不能替代医疗建议，Google开发该工具是希望帮助用户在可能出现皮肤问题的时候，及时就医，以便对下一步做出更明智的决定。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。