【TechWeb】10月25日消息,近幾年，機(jī)器學(xué)習(xí)已經(jīng)在放射學(xué)、病理學(xué)和皮膚病學(xué)等各個(gè)應(yīng)用領(lǐng)域取得了長(zhǎng)足進(jìn)展。此前，Google 分享了人工智能皮膚病學(xué)輔助工具的預(yù)覽，近期，Google發(fā)布兩項(xiàng)新研究，有望幫助機(jī)器學(xué)習(xí)在皮膚病檢測(cè)方面取得新的進(jìn)步。
自監(jiān)督學(xué)習(xí)推進(jìn)醫(yī)學(xué)圖像分類
近年來(lái)，人們對(duì)將深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)成像任務(wù)越來(lái)越感興趣，在放射學(xué)、病理學(xué)和皮膚病學(xué)等各種應(yīng)用領(lǐng)域取得了令人振奮的進(jìn)展。盡管大家興致盎然，但開(kāi)發(fā)醫(yī)學(xué)成像模型仍然一定的具有挑戰(zhàn)性，因?yàn)橛捎谧⑨屷t(yī)學(xué)圖像需要比較大的工作量，高質(zhì)量的標(biāo)記數(shù)據(jù)通常很少。鑒于此，遷移學(xué)習(xí)（指解決一個(gè)問(wèn)題時(shí)獲得的知識(shí)并將其應(yīng)用于不同但相關(guān)的問(wèn)題）是構(gòu)建醫(yī)學(xué)成像模型的常用模式。使用這種方法，首先在大型標(biāo)記數(shù)據(jù)集（如ImageNet）上使用監(jiān)督學(xué)習(xí)（讓機(jī)器學(xué)習(xí)一個(gè)函數(shù)）對(duì)模型進(jìn)行預(yù)訓(xùn)練，然后在域內(nèi)醫(yī)療數(shù)據(jù)上對(duì)學(xué)習(xí)的通用結(jié)果進(jìn)行微調(diào)。
隨著輸入皮膚顏色的變化，病變的外觀也會(huì)發(fā)生變化，以匹配不同皮膚類型的病變。
自監(jiān)督預(yù)訓(xùn)練比監(jiān)督預(yù)訓(xùn)練更具可擴(kuò)展性，因?yàn)椴恍枰悩?biāo)簽注釋，希望在未來(lái)將有助于在醫(yī)學(xué)圖像分析中推廣自監(jiān)督方法的使用，從而產(chǎn)生適用于現(xiàn)實(shí)世界中大規(guī)模臨床部署高效且穩(wěn)健的模型。
描述不足給機(jī)器學(xué)習(xí)帶來(lái)的挑戰(zhàn)
隨著機(jī)器學(xué)習(xí)模型使用的領(lǐng)域愈發(fā)廣泛，機(jī)器學(xué)習(xí)常常會(huì)出現(xiàn)一些“意想不到”的行為。例如，在計(jì)算機(jī)視覺(jué)模型中，對(duì)不相關(guān)的特性表現(xiàn)出驚人的敏感度?；蛘咴?ldquo;精心策劃”的ML模型訓(xùn)練及解決與應(yīng)用領(lǐng)域在結(jié)構(gòu)上不匹配的預(yù)測(cè)問(wèn)題當(dāng)中，即使處理了一些已知問(wèn)題，模型行為在部署中仍可能表現(xiàn)出差異性，甚至在訓(xùn)練運(yùn)行之間也會(huì)產(chǎn)生變化。
Google表明在現(xiàn)代機(jī)器學(xué)習(xí)系統(tǒng)中特別普遍的一種故障原因是描述不足（underspecification)。描述不足指的是從業(yè)者在構(gòu)建 ML模型時(shí)經(jīng)常想到的需求與即模型的設(shè)計(jì)及執(zhí)行之間的差距。在實(shí)際實(shí)例中，Google發(fā)現(xiàn)描述不足還具有別的實(shí)際意義，事實(shí)表明單獨(dú)的標(biāo)準(zhǔn)保持測(cè)試不足以確保其在醫(yī)療中的可用性。
壓力測(cè)試中醫(yī)學(xué)影像模型的相對(duì)可變性。左上角：當(dāng)對(duì)來(lái)自不同相機(jī)類型的圖像進(jìn)行評(píng)估時(shí)，使用不同隨機(jī)種子訓(xùn)練的糖尿病視網(wǎng)膜病變分類模型之間的 AUC變化。在這個(gè)實(shí)驗(yàn)中，在訓(xùn)練過(guò)程中沒(méi)有遇到相機(jī)類型 5。左下角：在對(duì)不同估計(jì)皮膚類型進(jìn)行評(píng)估時(shí)，使用不同隨機(jī)種子訓(xùn)練的皮膚狀況分類模型之間的準(zhǔn)確性差異（由皮膚科醫(yī)生培訓(xùn)的非專業(yè)人士從回顧性照片中得出的近似值，并可能受到標(biāo)簽錯(cuò)誤的影響）。右：來(lái)自原始測(cè)試集（左）和壓力測(cè)試集（右）的示例圖像）。
解決描述不足是一個(gè)具有挑戰(zhàn)性的問(wèn)題，需要對(duì)超出標(biāo)準(zhǔn)預(yù)測(cè)性能的模型進(jìn)行完整的規(guī)范和測(cè)試。要做到這一點(diǎn)，需要充分了解將使用模型的前因及后果，了解如何收集訓(xùn)練數(shù)據(jù)，并且通常在可用數(shù)據(jù)不足時(shí)結(jié)合領(lǐng)域?qū)I(yè)知識(shí)。
應(yīng)用程序幫助判斷皮膚健康
Google AI驅(qū)動(dòng)的皮膚病學(xué)輔助工具是一個(gè)基于網(wǎng)絡(luò)的應(yīng)用程序，輔助判斷皮膚可能發(fā)生的情況。啟動(dòng)該工具后，只需使用手機(jī)的相機(jī)從不同角度拍攝三張皮膚、頭發(fā)或指甲問(wèn)題的圖像。然后，應(yīng)用程序?qū)⒃儐?wèn)用戶皮膚類型、出現(xiàn)問(wèn)題的時(shí)間以及其他癥狀。AI模型將分析信息，為用戶提供可能的匹配條件列表，方便用戶進(jìn)行進(jìn)一步確認(rèn)。
根據(jù)用戶提供的照片和信息，人工智能皮膚科輔助工具將提供建議的條件
對(duì)于每個(gè)匹配條件，該工具將提供皮膚科醫(yī)生審查的信息和常見(jiàn)問(wèn)題的答案，以及來(lái)自網(wǎng)絡(luò)的類似匹配圖像。但需要注意的是，該工具并非旨在提供診斷，也不能替代醫(yī)療建議，Google開(kāi)發(fā)該工具是希望幫助用戶在可能出現(xiàn)皮膚問(wèn)題的時(shí)候，及時(shí)就醫(yī)，以便對(duì)下一步做出更明智的決定。
關(guān)鍵詞： Google 發(fā)布 機(jī)器 學(xué)習(xí)
責(zé)任編輯：Rex_01
