职称:主任医师、教授

职务:解放军总医院第四医学中心皮肤科主任

邹先彪(中国人民解放军总医院第四医学中心 皮肤科，北京 100048)

引用本文:邹先彪.皮肤影像学与人工智能[J].中国医学前沿杂志(电子版)，2019，11(8):1-4.

皮肤性病学诊断是以视觉和形态学为基础的，初始的皮肤影像学诊断方法是裸眼直接辨识，这种诊断方法往往需要皮肤科医生有一定专业背景和临床经验的积淀，是一种基于主观判断的诊断方法，且无法留存资料进行诊疗随访和疗效比较，手工绘图和蜡型制模的出现在一定程度上改善了这种情况，但其过程烦琐，且需要专门的相关技术人才，缺乏普适性。随着现代科技的不断进步，相继出现了皮肤镜、皮肤CT[反射式共聚焦显微镜(reflectance confocal microscopy，RCM)]及皮肤高频超声等无创性诊断方法，目前已被广泛应用于国内外皮肤科临床实践中，全身3D摄影仪、多光子显微镜、皮肤动态红外线成像及光学相干断层成像等无创性皮肤影像学诊断技术也在研制和试用阶段，皮肤影像学相关的学术专著和论文、诊断技术及产品不断丰富而自成一体(表1)。对于皮肤影像学的概念目前尚无国际公认的精确定义，狭义的皮肤影像学包括绘图、摄影、摄像、皮肤镜、皮肤CT及皮肤高频超声等无创性诊断手段和技术，而广义的皮肤影像学则包括狭义的皮肤影像学、皮肤病理及皮肤真菌检查在内的诊断手段。目前业界更倾向于狭义的皮肤影像学的概念。

国内第一个皮肤影像学组--中国中西医结合学会皮肤性病专业委员会皮肤影像学组于2013年4月26日在厦门成立，随后数年中，中国医疗保健国际交流促进会皮肤科分会皮肤影像学组、国家远程医疗与互联网医学中心皮肤科专委会、中国医学装备人工智能联盟皮肤科专业委员会、中华医学会皮肤性病学分会皮肤影像亚学组、中华预防医学会皮肤病与性病预防与控制专业委员会皮肤影像学组等皮肤影像学术团体也相继成立。皮肤影像学组及其成员在全国及各省、市相继举办了国家级或省、市级继续医学教育项目皮肤影像学学习班或皮肤影像学专场学术活动，并陆续发布了《皮肤科摄影专家共识》、《红斑鳞屑性皮肤病皮肤镜诊断专家共识》、《毛发疾病皮肤镜诊断专家共识》、《感染性和寄生虫性皮肤病的皮肤镜诊断专家共识》、《色痣皮肤镜诊断》、《色素障碍性和感染性皮肤病的伍德灯诊断专家共识》、《皮肤镜诊断规范用语及硬件参数专家共识(2017)》、《〈皮肤镜术语规范:第三次国际皮肤镜协会会议共识〉解读》、《中国基底细胞癌皮肤镜特征专家共识(2019)》，举办皮肤影像学摄影大赛或征文比赛，在多个专业期刊上组织皮肤影像学重点刊号发表相关论文。

皮肤影像学技术在临床实践中的广泛应用使诊断依据和疗效对比更加科学和客观，提升了皮肤科医生的临床诊疗能力，改善了皮肤病患者的就诊体验并提高了患者对治疗的依从性，亦为发表高质量学术论文提供了可靠依据。因此，近十年来皮肤影像学在国内呈现出蓬勃发展的趋势，缩小了与国际同行的差距。

皮肤影像学结合包括皮肤病理和真菌检查在内的实验室检查与互联网医疗的深度融合构成的远程皮肤病诊疗系统，对于提升基层医疗单位对皮肤病的诊疗水平有极大帮助。而皮肤影像学在基层医疗单位的普及也有利于将众多的皮肤科单体信息孤岛有效地连成一体，为后续大数据的收集和AI诊疗决策系统的形成发挥推波助澜的作用。

AI概念最早于1956年在达特茅斯人工智能夏季研讨会(Summer Research Project on Artificial Inte-ll-igence)上提出。AI计算机视觉是一门以影像采集设备+电脑代替人眼对目标进行识别和测量的机器视觉，并可对图像进一步处理，通过对大量图片的训练和学习，获得与人类相同的准确分辨图形的能力，但其较人类获取信息的数量更多且速度更快。

1974年斯坦福大学医学实验计算机研究项目奠定了AI在医学中的应用基础。1985年第一届欧洲医学AI会议召开，1989年医学AI杂志创刊。随着2016年AlphaGo战胜人类棋手，使得AI成为国际/民间和科技界的热门话题。随着AI技术的发展，语音交互、计算机视觉和认知计算、强化学习、深度学习等技术的日益成熟，医疗领域已成为AI行业重要的研究和应用领域。AI在医疗领域中应用的场景包括医疗影像智能识别、医疗机器人、语音录入电子病历、智能医院、个人健康大数据的智能分析、药物开发，基因分析等，均具有广阔的应用前景。

2019年1月，Nature Medicine杂志同期刊登9篇AI医学论文，主要介绍了强化学习在医疗健康的技术应用指南、深度学习领域中各类方法在医疗领域中的应用前景、大数据搜集中的公平性与知情权和患者管理的重要性、使用计算机视觉和深度学习算法量化了与数百种综合征的相似性、临床工作流程中实施AI的一些关键的实际问题(如数据共享和隐私、算法的透明性、数据标准化、跨平台的互操作性以及对患者安全的关注等)。

2017年2月14日，原国家卫生和计划生育委员会发布《人工智能辅助治疗技术临床应用质量控制指标(2017版)》，同年中华人民共和国工业和信息化部(工信部)发布了《促进新一代人工智能产业发展三年行动计划(2018-2020年)》，强调要推动AI技术及智能产品在医疗领域的集成应用。

2019年1月9日，上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布《人工智能医疗白皮书》，提出了包括医学影像、辅助诊断、药物研发、健康管理、疾病预测在内的五大AI医疗应用领域。

据清华大学发布的《中国人工智能发展报告2018》显示，中国AI企业和AI专利数量仅次于美国，位居世界第二位。国内外商业巨头谷歌、微软、IBM、阿里巴巴、腾讯、百度等也在紧锣密鼓地孵育或布局自己的AI产品，谷歌的DeepMind神经网络在50种眼病的诊断方面可取得与医疗专家相似的精度。罗氏制药收购Flatiron Health，后者开发的OncoEMR(一套专注于肿瘤学的电子病历软件)已有超过2500家诊所使用。荷兰一款名为SkinVision的App，应用于C端患者，可以通过图片识别诊断皮肤黑素瘤，准确率高达73%，有助于及时提醒用户对可疑的“黑痣”保持密切关注或尽快咨询医生。

目前，AI与临床诊断在皮肤肿瘤、肺结节、眼底病等数十种疾病中融合较好。其中皮肤科、医学影像科和病理科因同具视觉诊断特质而最有优势进行AI转化。皮肤病学是一门以形态识别为基础的临床学科，其病谱的表现具有相应的内在规律，因此非常适合AI的融入。全球11个皮肤病AI项目，63%用于医生端，中国企业最多。

斯坦福大学研究团队主持的皮肤癌诊断项目中的AI诊断准确率已达91%，与人工诊断准确率持平。国内皮肤科同行在以皮肤影像学为基本数据的基础上加大了皮肤病AI诊断的开发研究力度，中国人群皮肤影像资源库(CSID)项目、华夏皮肤影像AI协作组、皮肤病AI发展联盟等皮肤科协作团体均致力于皮肤病大数据的收集和整理。通过对临床照片、皮肤镜、皮肤CT、皮肤超声乃至皮肤病理等多维度皮肤影像的标注，提取诸多皮肤病的疾病特征，通过深度学习、强化学习或深度强化学习将皮肤影像与AI及远程医疗体系深度结合，既可提高诊断的准确性和同质性，又兼具快捷性和更好的诊疗费用性价比，是一举多得的好措施，为基层医生提供了同质化和规范化诊疗的决策方案，尤其适合银屑病、白癜风、特应性皮炎、毛发疾病等慢性皮肤病的长期管理。

我国人口基数大，如果能够先集中精力在常见病、多发病的AI应用上，则可在短时间内收集足够数量的多维度皮肤影像大数据，在进行标准化标注的情况下用于AI深度学习或强化学习。

从严格意义上讲，皮肤病的发生率接近100%(如色素痣)，但我国的皮肤科医生仅有2.6万人，每年就诊人次超过2亿人次，这意味着平均1个皮肤科医生1年接诊量近万人次。我国地域广阔，皮肤科医生数量短缺且分布不均，尤其在基层和偏远地区，许多皮肤病往往得不到快速正确的诊断和及时治疗，严重影响了患者的生活质量，皮肤科AI诊疗设备的运行有利于医疗资源下沉，惠及民生。同时，AI医疗亦有助于减轻医生的重复性劳动，提高工作效率。尤其是皮肤镜，作为一种新型无创的诊断技术，因其产品线丰富，图示直观，便于短期内快速掌握，辅助诊断效率高，相关的书籍、论文及学习班也较多，故在短短的6年内即在国内获得很大程度的普及，被喻为皮肤科医生的“听诊器”。

目前已有与皮肤镜相关的AI辅助诊断雏形产品问世，对基层全科医生或皮肤科医生作出诊断决策具有一定的辅助作用。如果将皮肤科的AI医疗整合进入临床辅助决策支持系统，如类似Best Practice(中文版已面向全国二级以下医疗机构以及广东省三级医疗机构)、Up To Date的汉化版，则能涵盖诊前决策、诊中支持及诊后评价的全过程，医生通过症状、体征等临床指征的录入，产品将实时自动进行个性化分析，提供诊断建议和鉴别诊断，并推荐实验室检查方案及优化的治疗方案，这将大大提高医生的工作效率，提升患者的就医体验。

皮肤病种类繁多，高达2000余种，而医学专业本科教材仅介绍了约130种，教师版教材中有200种左右，全国顶尖的皮肤科医生仅可记住600~800种皮肤病。并非所有的皮肤病都具有特征性的皮肤变化，且有些皮肤病罕见或少发，本身的发病机制和病理及与机体的内在联系尚未明确，因此，我们应清醒、理性地认知AI，并非所有的皮肤病都适合AI医疗，也非一种AI医疗产品能够解决所有皮肤病的诊疗问题。

AI与皮肤影像学的结合将对皮肤病的诊疗过程发挥积极的促进作用，极大地提高了皮肤科医生的工作效率，但因临床实践需要综合包括病史、诊治过程、疗效观察、实验室检查等在内的多维度信息，故不能仅凭皮损形态进行临床诊断和制定治疗决策。至少在相当长的时间，AI医疗完全替代皮肤科医生尚无可能。

①皮肤病种类繁多，一些少见病或罕见病没有足够的大数据提供给AI融合，即使常见病可以拥有足够的大数据，也存在数据采集的标准化、同质化及共享性的问题，且图像等数据质控、筛选与标注过程也需要一定时间，因此，制订皮肤影像学的相关专家共识或指南非常重要;

②许多皮肤病的发病机制迄今为止尚未明确，在一定程度上阻碍了与AI的融合;

③不少皮肤病不具备皮肤影像采集的条件，可能其发病机制与内在因素相关，也注定了皮肤影像学在皮肤病的诊疗中不能包打天下;

④皮肤病理图像自动识别诊断目前尚难以在短期内实现，这也制约了一些疑难皮肤病的AI诊断;

⑤皮肤科一些精细化的治疗依然需要高技术水准的医生操作。因此，今后皮肤科医生的发展趋势可能呈现精英化疑难病诊疗和基层化常见病诊疗的两极分化诊疗模式。

与此同时，我们也应考虑打造一款成功的皮肤科AI产品的关键因素:

①要考虑产品在皮肤病学和AI中的专业性和权威性，衡量AI系统是否可靠应使用科学的医学评价体系，即敏感度(sensitivity)和特异度(specificity)，而非准确率(accuracy)或精确率(precision)或人机大战的结果。同时还要兼顾系统的过拟合风险，这样才可能成为皮肤科医生所信赖的产品。

②要考虑应用场景具有占地少、费用低、简操化、日常化的要素。

③需要有安全性高、私密性好的高质量的数据传输和储存终端，能够将“单体化信息孤岛”中已标准化完全脱敏的图像数据有效地接入一个统一的、权威性的数据中心内。

④要充分理解产品的出品流程:即国家药品监督管理局负责医疗器械的准入，国家卫生健康委员会负责医疗器械的临床应用，工信部负责信息通信的准入，每个环节都需要一个过程。

2017年9月4日，原国家食品药品监督管理总局发布新版《医疗器械分类目录》，新增了与AI辅助诊断的对应类别。按照最新的分类规定，若诊断软件通过算法，提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则申报二类医疗器械，可豁免临床试验;如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理，需要进行临床试验。正因如此，AI医疗看似离我们很近，但其实还有很长的路要走。迄今为止，国内尚未批准一款任何临床学科的AI医疗诊断产品上市，目前已面世的AI产品均是以辅助诊断形式出现的。

尽管如此，随着AI技术的不断进步和医学科技的不断发展，AI医疗的应用和发展前景依然非常广阔，而皮肤科作为以形态学为基础的临床学科，也将会在AI医疗中率先脱颖而出，早日惠及医患。

参考文献

[1] 邹先彪，刘华绪，卢漫，等.皮肤影像学的临床应用[J].中华皮肤科杂志，2017，50(7):467-471.

[2] 中国中西医结合学会皮肤性病学分会皮肤影像学亚专业委员会.皮肤科摄影专家共识[J].中国麻风皮肤病杂志，2016，32(10):577-580.

[3] 中西医结合学会皮肤性病学专业委员会皮肤影像学亚专业委员会.红斑鳞屑性皮肤病皮肤镜诊断专家共识[J].中国麻风皮肤病杂志，2016，32(2):65-69.

[4] 中西医结合学会皮肤性病学专业委员会皮肤影像学亚专业委员会.毛发疾病皮肤镜诊断专家共识[J].中国麻风皮肤病杂志，2016，32(3):129-132.

[5] 中国中西医结合学会皮肤性病学分会皮肤影像学组.感染性和寄生虫性皮肤病的皮肤镜诊断专家共识[J].中国麻风皮肤病杂志，2017，33(1):1-7.

[6] 中国中西医结合学会皮肤性病学分会皮肤影像学组.色痣皮肤镜诊断[J].中国麻风皮肤病杂志，2017，33(2):65-69.

[7] 中国中西医结合学会皮肤性病学分会皮肤影像学组.色素障碍性和感染性皮肤病的伍德灯诊断专家共识[J].中国麻风皮肤病杂志，2017，33(5):257-260.

[8] 中国医师协会皮肤科医师分会，中国医疗保健国际交流促进会皮肤科分会，中国中西医结合学会皮肤性病专业委员会，等.皮肤镜诊断规范用语及硬件参数专家共识(2017)[J].中华皮肤科杂志，2017，50(7):472-477.

[9] 中国医疗保健国际交流促进会皮肤科分会皮肤影像学组，中华医学会皮肤性病学分会皮肤病数字化诊断亚学组，中国医师协会皮肤科医师分会皮肤外科亚专业委员会，等.《皮肤镜术语规范:第三次国际皮肤镜协会会议共识》解读[J].中华皮肤科杂志，2017，50(4):299-304.

[10] 中国中西医结合学会皮肤性病专业委员会皮肤影像学组，中国医疗保健国际交流促进会皮肤科分会皮肤影像学组，中华医学会皮肤性病学分会皮肤病数字化诊断亚学组，等.中国基底细胞癌皮肤镜特征专家共识(2019)[J].中华皮肤科杂志， 2019，52(6):371-377.

[11] Gottesman O, Johansson F, Komorowski M, et al. Guidelines for reinforcement learning in healthcare[J]. Nat Med, 2019, 25(1):16-18.

[12] Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare[J]. Nat Med, 2019, 25(1):24-29.

[13] Price WN 2nd, Cohen IG. Privacy in the age of medical big data[J]. Nat Med, 2019, 25(1):37-43.

[14] Ravizza S, Huschto T, Adamov A, et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data[J]. Nat Med, 2019, 25(1):57-59.

[15] Gurovich Y, Hanani Y, Bar O, et al. Identifying facial phen-otypes of genetic disorders using deep learning[J]. Nat Med, 2019, 25(1):60-64.

[16] Topol EJ. High-performance medicine: the convergence of human and artificial intelligence[J]. Nat Med, 2019, 25(1):44-56.

[17] He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine[J]. Nat Med, 2019, 25(1):30-36.

[18] Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations[J]. N Engl J Med, 2017, 376(26):2507-2509.