人工智能在專業醫學領域全面戰勝人類醫生的例子還很少見。最近一項深層神經網絡算法在診斷灰指甲方面，成功擊敗了42位皮膚科專家。灰指甲是一種常見的真菌感染，它會讓指甲脫色和脆化，這種疾病每年困擾著大約3500萬美國人。
?

這項成功很大程度依賴于一個韓國研究團隊的努力，他們收集了大約5萬張指甲/趾甲的圖片。大量的訓練數據，是深層神經網絡成功識別灰指甲，戰勝人類醫學專家的關鍵所在。

韓國首爾的皮膚科醫生、臨床醫生Seung Seog Han表示，“迄今為止，在很多研究——比如識別糖網、皮膚癌和閱讀胸片等項目中，人工智能已經接近了人類專家的水平。但這項研究首次表明，人工智能已經超越了人類專家。”

過去人工智能和皮膚科醫生之間的較量通常勢均力敵。但在這項研究中，在一個特定場景下的三次實驗里，只有一名皮膚科醫生的表現全部略優于深度神經網絡。而且，值得注意的是，對于簡單病例，深層神經網絡的優勢更加明顯。

這項研究成果發表在了2018年1月19日的PLOS ONE 雜志網絡版上。參與這項研究的除了Seung Seog Han，還有韓國翰林大學的皮膚病學教授 Gyeong Hun Park，以及韓國蔚山大學的皮膚病學教授 Sung Eun Chang。

作為一名醫生，Han在日常工作中接觸到了各種各樣的皮膚病。同時，他也學習了不少計算機編程語言方面的知識，比如C++和Python。后來，AlphaGo擊敗世界圍棋冠軍李世乭，又激發了Han探索深度學習的興趣。

人類往往難以把握大數據的規律，但深度學習算法在大數據的模式檢測方面有著獨到的優勢。在這個案例中，韓國的研究人員發現可以用微軟研究院開發的深度學習算法幫助醫生從數字照片中識別可能的灰指甲感染病例。

但任何深度學習模型都需要基于大量的數據進行訓練。收集灰指甲病例的圖片給研究人員提出了巨大的挑戰，因為這些圖片通常沒有標準和統一的格式。很多圖片是從不同角度拍攝的，里面既有健康的指甲/趾甲，也有受到感染的指甲\趾甲。此外，受深度學習算法的技術限制，所有圖像都要調整到224 x 224像素大小，這樣一來很多圖片就無法識別了。

韓和他的同事們訓練了一種名為Faster R-CNN的目標檢測算法，對圖像進行識別和裁剪，使圖片中只包含受感染的指甲/趾甲，然后再將圖片放大，這樣就得到了一個可以用于訓練深層神經網絡的數據集。數據集中的大部分圖片都來自于一個Han 在 2007 年開發的、名為MedicalPhoto的皮膚病臨床照片管理程序。

即便如此，Han還是要手動讀取Faster R-CNN裁剪出來的10萬張照片，并對每張照片進行兩次標記，將不準確或不合適的指甲/趾甲照片剔除，以保證訓練數據的準確性。即使Han平均每10秒鐘能處理一張照片，且每天工作數小時，這項工作也需要耗費他大約550個小時，合計超過70天。

該數據集幫助訓練了用于識別病癥的卷積神經網絡——微軟的 ResNet-152 和牛津大學的 VGG-19 模型，以執行識別指甲真菌感染可能病例的工作。這種深度學習方法表現優于 42 位皮膚科專家組成的小組——其中包括 16 名教授、18 名臨床醫生和 8 名住院醫師。

研究人員表示，在額外的測試中，深度學習算法的表現也通常優于5名最好的皮膚科醫生。他們還發現，人工智能的診斷評估也比一般內科醫生、醫學生、護士和非醫務人員的診斷結果要好。

該研究團隊發布了他們深度學習算法的早期演示版本，任何人都可以通過網站或下載Android智能手機應用程序進行嘗試。通過在網站和應用程序中收集數據，研究人員希望發現該人工智能算法在實際醫療實踐中使用時可能會出現哪些問題。

Han和他的同事們也在嘗試用深度學習診斷皮膚癌等其他皮膚疾病。相關的研究論文發表在了2018年2月8日的《Journal of Investigative Dermatology》網絡版上。

這類研究表明，人工智能依賴于臨床影像來診斷疾病，因此在遠程醫療領域更有用武之地。人類皮膚科醫生在做診斷時還是要結合病人的病史和其他臨床信息，因為對于大多數人來說，僅憑影像就下診斷還是顯得太過草率了。

Han和他的同事們認為，他們的研究對于全科醫生尤其有用，因為病人們經常會向全科醫生反饋自己的指甲和皮膚問題。Han說道：“人工智能的診斷要比普通臨床診斷更為準確，我認為它對全科醫生確定灰指甲的治療方向有所幫助。”