皮膚狀況是世界上最常見的疾病。在美國，多達37％的診所就診涉及某種皮膚的關注。
但是，還存在全球皮膚科醫生的短缺，這迫使患者向傾向於診斷不太準確的全科醫生尋求幫助。這可能會導致次優的轉介，並延遲或不法治療。
為了幫助工作量，研究人員來自Google開發了AI系統可以準確診斷初級保健中一些最常見的皮膚狀況。在紙上標題為研究人員聲稱，“一種用於鑑別皮膚病的深度學習系統，” AI系統在26個皮膚疾病中達到了準確性，並且與美國董事會認證的皮膚科醫生相當。
像皮膚科醫生一樣工作
當臨床醫生見到患者時，他們通常不僅會診斷。它們產生了鑑別診斷，這是一系列可能的疾病清單，必須隨後進行實驗室測試，成像，程序和諮詢。
在博客文章中出版9月12日，星期四，研究人員說，他們的深度學習系統或DLS也一樣。它處理的輸入包括皮膚異常和元數據的臨床圖像（自我報告的病史組成部分）。
該團隊使用兩個州的遠程表現實踐中的17,777例識別案件對DLS進行了培訓和評估。 2010年至2017年之間的案件用於培訓AI。同時，2017年至2018年的數據用於評估。在培訓期間，DLS利用了40多名皮膚科醫生的50,000多種差異診斷。
為了測試DLS的準確性，研究人員從三位獲得董事會認證的皮膚科醫生的診斷中編輯了診斷。他們報告說，AI的皮膚狀況排名清單獲得了71％的前1名和93％的前三名精度。
此外，當AI與臨床醫生在驗證數據集的子集中進行比較時，DLS的診斷精度為90％或與皮膚科醫生相當，並且比初級保健醫生和護士從業者獲得了90％的診斷精度或可比性。
為了檢查潛在的偏見，他們根據Fitzpatrick皮膚類型測試了AI。菲茨帕特里克皮膚類型是範圍從I型（描述為蒼白，總是燃燒和果皮，永不曬黑）6型（以深棕色的膚色為特徵，永不燃燒，總是曬黑）。他們發現該模型的性能是相同的。
儘管AI表現出色，但研究人員說，它尚未準備好診斷。由於數據集有限，AI無法準確檢測到皮膚癌。
幫助臨床醫生
該系統並不是要替換臨床醫生但是成為幫助診斷皮膚狀況的工具。
研究人員寫道：“例如，這樣的DLS可以幫助分類案例指導臨床護理的優先級，或者可以幫助非德學醫生更準確地啟動皮膚病學護理，並有可能改善訪問權限。”
