论文阅读（10）---用于皮肤病鉴别诊断的深度系统

原文链接

研究背景

皮肤和皮下疾病是全球第四大非致命非致命疾病。
在农村地区，皮肤病的咨询费用也一直在上涨，尤其在农村地区，皮肤科医生也一直供不应求。
分诊的诊断的负担主要落在非专业人员身上。非专业专家的诊断准确率会受到专业领域的知识和培训的限制。

基于以上的背景，本文提出了一种深度学习系统，希望解决的问题包括有：首先不再是一个单一的分类而是包含多种疾病的综合诊断，其次希望结合图像和其他可用信息如病史等进行诊断，最后尽可能提高诊断准确性。

数据来源以及划分

本研究的数据集包括来自美国两个州的17站点提供，一共包含了16114个病例，每一份病例中包含有病人的皮肤病照片和个人基本信息。其中照片是由专业护士拍摄的受影响的皮肤区域临床照片，一般有1-6张。（约75%的病例有六张或更少的图像;对于图像较多的病例，随机选择六张图像）。临床数据包括患者个人信息和病史等，这些临床数据可供深度学习系统和本研究中的所有临床医生使用。
数据集根据病例的提交日期以80：20的比例拆分：训练集包含2010-2017年的病例，而验证集包含2017-2018年的病例，这种时间拆分策略有助于进一步研究。模型是根据过去的数据开发的，并在未来的案例中进行验证，可以说是一种外部验证形式。
在数据划分时使用匿名患者ID来确保训练集和验证集之间没有患者重叠，从而防止任何潜在标签泄漏情况发生。
该验证集A被进一步子采样，以减少皮肤病之间的类不平衡问题，以获得验证集B。

深度学习模型

提出的深度学习系统整体分为两个部分，一个图像处理深度卷积神经网络和一个处理临床元数据（人口统计信息和病史）的浅层网络。DLS 将一到六张去识别化的皮肤照片和 45 个one-hot编码的元数据进行特征化。元数据变量（如人口统计信息和病史）作为输入（左）。然后，DLS 使用具有共享权重的 Inception-v4 模块处理图像，然后应用平均池并与元数据提取的特征进行连接。DLS分类层的主要输出是27个类别的相对可能性（26个皮肤状况加上“其他”），次要输出是这项工作中看到的419种皮肤病的类别的相对可能性。
该深度学习系统是一个多分类系统，能够进行各个类别之间的鉴别诊断，而不是单一标签预测。对于类别不平衡问题，在计算交叉熵损失的时候，每个类别都作为它的频率进行加权。

实验结果

为了评估深度学习系统的性能，使用topk准确性和平均topk灵敏度比较鉴别结果。
Topk是为每个样本按照概率由高到低返回前k个预测类别，然后判断真实类别是否存在其中。还利用了Ao指标测量了深度学习系统和参考标准在多分类诊断中的一致性。
在子采样得到的小数据集B上，DLS实现了0.66的top1精度，而皮肤科医生为0.63，PCP为0.44，NPs为0.40
图a 首先分析了对于验证集A（所有病例）的top1和top3准确性；然后对于验证集B比较了模型和医生水平的准确性。
图b DLS和临床医生在两个验证集上的平均重叠度，值越高表示一致性越好
图c 比较了DLS和临床医生在验证集B上的top准确度，对角线的斜率为1;在对角线左侧的点表明DLS表现优于临床医生
图d 验证集B中每个临床医生在每个置信水平的病例数的堆叠条形图，DLS比临床医生更准确

为了研究不同类型的输入数据对深度学习系统的重要性：

做出一下两种类型的实验：首先通过对特征重要性排序，研究了临床元数据对深度学习系统的top1准确性的影响，如图a所示，得到自己报告的皮肤问题，如痤疮，脱发等影响最大，牛皮癣病史的影响次之。然后研究不同的输入类型组合对实验的影响，其中又包括输入图像数量的不同和输入类型的不同，如图b。
实验结果表明：首先，无论是否使用临床数据，都存在的趋势是：随着图像数量的增强，DLS的性能显着提高，当至少有五个图像时，DLS的性能趋于平稳。其次，对于不同的组合发现：结合图像和临床数据的使用是改变最小的，但是如果只在训练中使用临床数据就会出现深度神经网络过度依赖临床数据，从而过度表达临床数据重要性的情况。因此在绿线中仅仅使用图像就看可以得到合理的诊断准确性，说明dls可以不依赖临床数据进行判断。

评估了DLS区分临床环境中表现相似且可能被错误识别的疾病的能力：
第一项区分了恶性生长和良性生长，top3的灵敏度中，DLS与皮肤科医生相当，高于非专业医生和护士
第二项区分了红斑和丘疹鳞屑性皮肤病的感染和非感染案例。DLS的灵敏度最高。
最后区分两种类型的脱发，比较top1灵敏度，DLS的结果也不逊于专业医生。

研究总结

该研究提出了一个深度学习系统（DLS），它可以识别26种远程皮肤病咨询中最常见的皮肤病。此外，深度学习系统还输出了这些疾病在所有419种皮肤病种的预测结果。并且与之前的分类相比，深度学习系统的输出是多分类情况，也就是说不是简单的判断分类，而是提供26种疾病的多类诊断，包括各种皮肤素，皮肤病，色素沉着，脱发和病变，通过更多更详细的分类信息帮助非专业的医生做出临床决策。其次，深度学习系统不是仅仅依靠图像分类，还用到了皮肤科医生可用的45种临床数据，例如病史。最后深度学习系统支持可变数量的输入图像，并评估了使用多个图像的好处。