临床医生经常面临模棱两可的病例,并无法准确确定病因。例如,患者的皮疹是淤积性皮炎还是蜂窝组织炎,或者可能两者兼有?临床医生并非仅给出一个诊断结果,而是给出鉴别诊断表,列出所有可能的皮肤病。鉴别诊断表提供了疾病的大致范围,以便进行系统的检查(实验室检测、影像扫描、一般性检查流程、咨询)和治疗,直到最终确诊。同样地,深度学习系统 (DLS) 能够模仿临床医生的思维方式,根据皮肤症状排列出可能的皮肤病,从而对患者进行快速分诊、诊断和治疗。
为实现此预测,DLS 会处理各种输入数据,包括一张或多张皮肤异常的临床图像以及多达 45 类元数据(病历中的自述内容,例如年龄、性别、症状等)。针对每种病例,该系统使用 Inception-v4 神经网络架构,结合经过特征转换的元数据(用于分类层)处理多张图像。研究期间,我们利用 17,777 个身份不明的病例(主要来自初级医疗诊所提交至远程皮肤病服务机构)开发并评估 DLS。训练数据取自 2010 年至 2017 年,而评估数据则是来自 2017 年至 2018 年。在模型训练期间,DLS 利用了 40 多名皮肤科医生提供的 50000 多个鉴别诊断。
为评估 DLS 的准确率,我们将其与严格的参考标准(即获美国职业认证的皮肤科医生的诊断)进行比较。总体而言,皮肤科医生为 3756 个病例(“验证集 A”)提供了鉴别诊断,这些诊断均通过投票过程进行汇总,目的是获得真实值标签。相较于皮肤科医生给出的鉴别诊断,DLS 辨别列出的皮肤病分别获得 71% 的 Top-1 准确率和 93 % 的 Top-3 准确率。