黑色素瘤是迄今为止最致命的皮肤癌。不久前刚刚发布的《2020年全球癌症负担报告》（ global cancer burdenin 2020）显示，去年预计新增 32.5万黑色素瘤病例，因患黑色素瘤死亡的病例为5.7万。虽然我国黑色素瘤总体发病率不高，但是基于庞大的人口基数，发病人数一直居高不下。

早期发现黑色素瘤能大大降低患者的死亡风险，因为黑色素瘤还没有随着血液转移到全身各处，此时通过外科治疗，患者很可能达到治愈的效果。然而，黑色素瘤诊断不易，它看起来像痣，形状和颜色往往不规则，难以区分是良性或恶性。广泛的黑色素瘤筛查目前尚不可行。

计算机辅助诊断（Computer-aided diagnosis, CAD）系统是近年发展起来的一种通过分析皮肤图像，自动识别可疑色素病变（SPL）来解决这一问题的系统，但迄今为止还未对黑色素瘤的诊断产生重大影响。因为皮肤科医生会比较单个患者的多个SPL，以确定它们是否癌变——这种方法通常被称为“丑小鸭”（偏离共同特征的病变）标准，而目前还没有CAD系统被设计来复制这种诊断过程。

皮肤科医生评估了SPL的许多特征，以确定它是否癌变。Wyss研究所和麻省理工学院研究人员创建的深度学习系统也接受了培训，用这些标准来评估照片中的病变。（来源：Wyss研究所Luis Soenksen）

近期，哈佛大学Wyss研究所和麻省理工学院的研究人员开发出一种基于卷积深度神经网络（CDNN）的新型皮肤病变CAD系统，打破了这一瓶颈。新系统成功地将SPL与患者皮肤照片中的非可疑病变区分开来，并首次囊括了一个“丑小鸭”标准，使其评估结果与3位皮肤科医生的共识一致性达88%。相关研究成果于2月17日发表在Science Translational Medicine上。CDNN的源代码可在GitHub（https://github.com/lrsoenksen/SPL_UD_DL）上获取。

这项研究的第一作者、Wyss研究所博士后Luis Soenksen说：“这项创新使患者的皮肤照片能够被快速分析，以确定出那些应该进一步由皮肤科医生评估的病变，从而确保对黑色素瘤进行有效快速的筛查。”

聚焦“丑小鸭”标准

Soenksen及合作者们发现，所有现有的用于识别SPL的CAD系统都只是单独分析病变，完全忽略了皮肤科医生在检查过程中用来对比患者不同SPL的“丑小鸭”标准。所以他们决定建造自己的系统。

为了确保他们的系统能够被没有经过专门皮肤病学培训的人使用，研究小组创建了一个数据库，包含33 000多张患者皮肤的“广域”图像，这些图像中包括背景和其他非皮肤物体，目的是使CDNN能够利用消费级相机拍摄的照片进行诊断。此外，这些图像包含的SPL和非可疑皮肤病变经过了3位委员会认证皮肤科医生的一致确认。

在对数据库进行训练以及一系列改进和测试后，新系统能够区分可疑和非可疑病变，灵敏度为90.3%，特异性为89.9%，比之前公布的系统有了较大改进。

但是这个初步系统仍然在分析单个病变的特征，而不是像皮肤科医生那样分析多个病变的特征。为了将“丑小鸭”标准加入到他们的模型中，研究小组使用提取的特征来创建给定图像中所有SPL的三维“地图”，并计算出每个SPL特征与“典型”特征的距离。与图像中的其他SPL相比，给定SPL越“奇怪”，它离三维空间的中心越远。这一距离是“丑小鸭”标准的第一个可量化定义。

研究人员利用他们的深度学习神经网络，根据每个SPL与同一患者皮肤上其他SPL的不同程度，给每个病变分配一个“丑小鸭”评分，确定那些最有可能癌变的SPL。（来源：哈佛大学Wyss研究所）

AI vs 皮肤科医生

研究小组的DCNN还必须通过最后一项测试：在从患者皮肤图像中识别SPL的任务中，表现得和皮肤科医生一样好。3位皮肤科医生检查了68例患者的135张广域照片，并给病变部位打分。接着，利用该算法对同样的图像进行分析和评分。当对比两者的评估结果时，研究人员发现该算法在与所有3位皮肤科医生的共识一致性达88%。

“人工智能和临床医生之间的高度共识是该领域的一个重要进展，因为皮肤科医生之间对病变判断的一致性通常非常高，约为90%，”文章作者之一、Wyss研究所的Jim Collins博士说，“本质上，我们已经能够通过任何人用智能手机拍摄的图像实现皮肤科医生级别的准确诊断，这为早期发现和治疗黑色素瘤开辟了巨大的潜力。”

认识到这样一种技术应该尽可能多地提供给更多的人以获得最大的利益，该团队在GitHub上公开了他们的算法。他们希望与医疗中心合作，开展临床试验，以进一步证明新系统的有效性，并与业界合作，将其转化为一种可供世界各地初级保健医务人员使用的产品。

在未来的发展中，他们计划继续改进，使新系统能够在整个人类肤色范围内同样出色地发挥作用。

参考资料：

1# Identifying “ugly ducklings” to catch skin cancer earlier（来源：Wyss研究所官网）

2# Luis R. Soenksen et al. Using deep learning for dermatologist-level detection of suspicious pigmented skin lesions from wide-field images. Sci. Transl. Med. （2021）

3#【调研报告】恶性黑色素瘤流行病学及市场分析（来源：药渡）

4# 双曜新生致愈未来 | 中国黑色素瘤正式迎来“双靶”时代（来源：中国医学论坛报）