人工智能在皮膚科的應(yīng)用與思考課件

人工智能在皮膚科的應(yīng)用與思考推進(jìn)互聯(lián)網(wǎng)+智慧醫(yī)療人工智能在皮膚科的應(yīng)用與思考推進(jìn)互聯(lián)網(wǎng)+智慧醫(yī)療1人工智能成為研究熱點(diǎn)2017年2月《Nature》發(fā)表斯坦福大學(xué)《深度學(xué)習(xí)對(duì)皮膚癌分類(lèi)達(dá)皮膚科醫(yī)師水平》3人工智能成為研究熱點(diǎn)2017年2月《Nature》發(fā)表斯坦福24AI“來(lái)勢(shì)洶洶”4AI“來(lái)勢(shì)洶洶”35皮膚是人體最淺表和復(fù)雜的器官皮膚疾病>

2000種5皮膚是人體最淺表和復(fù)雜的46皮膚疾病包括腫瘤色素異常性疾病損容性疾病炎癥性、感染性疾病遺傳性疾病，等等6皮膚疾病包括57皮膚病診斷臨床表現(xiàn)皮膚鏡高頻超聲組織病理免疫熒光血清學(xué)檢查天皰瘡7皮膚病診斷臨床表現(xiàn)皮膚鏡高頻超聲組織病理免疫熒光血清學(xué)檢查68治療藥物光化學(xué)療法,

PUVA光動(dòng)力,

PDT激光化學(xué)剝脫手術(shù)等等8治療藥物788九分類(lèi)任務(wù)：0.皮膚淋巴瘤和皮膚浸潤(rùn)性疾病1.真皮良性腫瘤、囊腫2.真皮惡性腫瘤3.表皮良性腫瘤4.表皮惡性腫瘤和癌前期病變?nèi)诸?lèi)任務(wù)：0.良性腫瘤1.惡性腫瘤2.非腫瘤5.遺傳性皮膚病6.炎癥性皮膚病7.良性黑素細(xì)胞性腫瘤8.惡性黑素細(xì)胞性腫瘤結(jié)果一：三分類(lèi)和九分類(lèi)任務(wù)模型

VS.

兩位皮膚科醫(yī)師9九分類(lèi)任務(wù)：三分類(lèi)任務(wù)：5.遺傳性皮膚病結(jié)果一：三分類(lèi)和九分結(jié)果二：良惡性二分類(lèi)任務(wù)模型VS.

皮膚科醫(yī)師1.角質(zhì)形成細(xì)胞腫瘤：65張惡性腫瘤70張良性腫瘤；2.黑素細(xì)胞來(lái)源腫瘤：臨床照片：65張惡黑和70張良性痣皮膚鏡圖片：71張惡黑和40張良性痣10結(jié)果二：良惡性二分類(lèi)任務(wù)模型VS.皮膚科醫(yī)師1.角質(zhì)形成數(shù)據(jù)量大：13萬(wàn)張圖片深度學(xué)習(xí)實(shí)現(xiàn)多分類(lèi)結(jié)果與醫(yī)生進(jìn)行比較亮 點(diǎn)11數(shù)據(jù)量大：13萬(wàn)張圖片亮 點(diǎn)11本課題組人工智能研究PART112本課題組人工智能研究PART112-北京協(xié)和醫(yī)院皮膚科門(mén)診每年30～40萬(wàn)患者-僅有30位醫(yī)生13-北京協(xié)和醫(yī)院皮膚科門(mén)診每年30～40萬(wàn)患者13在國(guó)內(nèi)較早開(kāi)展皮膚影像工作14在國(guó)內(nèi)較早開(kāi)展皮膚影像工作14率先成立皮膚影像診斷中心皮膚鏡皮膚高頻超聲皮膚多普勒超聲16服務(wù)器率先成立皮膚影像診斷中心皮膚鏡皮膚高頻超聲皮膚多普勒超聲11517協(xié)和皮膚影像資源庫(kù)20余年的積累30余萬(wàn)張高質(zhì)量圖片臨床圖片皮膚鏡皮膚超聲皮膚病理17協(xié)和皮膚影像資源庫(kù)20余年的積累臨床圖片皮膚鏡皮膚超聲皮16182016年開(kāi)始進(jìn)行AI研發(fā)工作合作團(tuán)隊(duì):北京航空航天大學(xué)

謝鳳英教授

課題組。北大醫(yī)療：課題組。美國(guó)德州大學(xué)休斯頓生物醫(yī)學(xué)信息學(xué)院

陶萃教授

課題組182016年開(kāi)始進(jìn)行AI研發(fā)工作合作團(tuán)隊(duì):北京航空航天大17典型色素痣和SK皮膚鏡圖像示例18典型色素痣和SK皮膚鏡圖像示例18CNN自動(dòng)分類(lèi)模型示意圖構(gòu)建CNN

二分類(lèi)模型：使用3015幅色素痣和2079幅SK的皮膚鏡圖像對(duì)ResNet-50采用遷移學(xué)習(xí)進(jìn)行訓(xùn)練得到模型：將一個(gè)待分類(lèi)皮損圖像輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，即可預(yù)測(cè)出皮損類(lèi)別模型整體部分各部分細(xì)節(jié)及參數(shù)19CNN自動(dòng)分類(lèi)模型示意圖構(gòu)建CNN二分類(lèi)模型：使用301212017協(xié)和皮膚影像診斷學(xué)習(xí)班人工智能與100余位皮膚科醫(yī)師對(duì)決AI準(zhǔn)確率

88.33%皮膚科醫(yī)師總準(zhǔn)確率

84.47%212017協(xié)和皮膚影像診斷學(xué)習(xí)班AI準(zhǔn)確率88.33%皮20皮膚科醫(yī)師錯(cuò)誤診斷率排名前10(誤診率為

32.6%~71.6%)圖像：2例為SK錯(cuò)誤診斷為色素痣其余8例為色素痣錯(cuò)誤診斷為SK錯(cuò)誤分類(lèi)圖像分析CNN

錯(cuò)誤分類(lèi)圖像：7例均為

SK

錯(cuò)誤分類(lèi)為色素痣CNN錯(cuò)誤分類(lèi)圖像被分為三類(lèi)第一類(lèi):特殊類(lèi)型第二類(lèi):具有典型特征，但存在干擾因素，如毛發(fā)的干擾、光線、角度等使特征不易識(shí)別第三類(lèi):具有典型特征，22尚找不到錯(cuò)誤分類(lèi)原因皮膚科醫(yī)師錯(cuò)誤診斷率排名前10(誤診率為32.6%~71212018年7月發(fā)表于《中華皮膚科雜志》222018年7月22真實(shí)標(biāo)簽預(yù)測(cè)標(biāo)簽0:色素痣1:SK2:銀屑病3:脂溢性皮炎4:濕疹5:BCC具體設(shè)計(jì)為：對(duì)改進(jìn)的ResNet-50采用遷移學(xué)習(xí)進(jìn)行訓(xùn)練，用得到的模型進(jìn)行分類(lèi)數(shù)據(jù)集：共使用6種常見(jiàn)疾病的皮膚鏡圖像11,566張6種常見(jiàn)疾病的分類(lèi)混淆矩陣圖：色素痣為86%，而B(niǎo)CC的準(zhǔn)確率僅為38%多分類(lèi)人工智能模型23真實(shí)標(biāo)簽預(yù)測(cè)標(biāo)簽0:色素痣具體設(shè)計(jì)為：對(duì)改進(jìn)的ResN合作單位：北京航空航天大學(xué)宇航學(xué)院圖像中心投稿于2017

IEEEInternationalConferenceonImagingSystemsandTechniques(IST)，已發(fā)表24合作單位：北京航空航天大24投稿于BIBM

SEPDA

2017，已發(fā)表The

IEEE

BIBM

2017會(huì)議發(fā)言25投稿于BIBMSEPDA2017，已發(fā)表TheIEEEAI關(guān)鍵技術(shù)--模型可視化顯著圖1.點(diǎn)越黑代表對(duì)結(jié)果的影響越大2.皮損與像素點(diǎn)關(guān)聯(lián)性很大遮擋試驗(yàn)直觀評(píng)價(jià)AI診斷的可靠性：是否位于病變部位還有，熱點(diǎn)圖、t分布隨機(jī)鄰域嵌入

（

t-distributed

Stochastic

NeighborEmbedding

，t-SNE）等…26AI關(guān)鍵技術(shù)--模型可視化顯著圖1.點(diǎn)越黑代表對(duì)結(jié)果的影響越26網(wǎng)絡(luò)感興趣區(qū)域可視化結(jié)果--熱點(diǎn)圖(a)

Heatmap(b)

原圖深度學(xué)習(xí)到底在關(guān)注皮損的哪一部分區(qū)域？根據(jù)學(xué)習(xí)得到的網(wǎng)絡(luò)參數(shù)求算出heatmap，結(jié)果：大部分圖像關(guān)注的區(qū)域是皮損區(qū)域最有趣的一點(diǎn)是，只提供了類(lèi)別信息，沒(méi)有顯式的給網(wǎng)絡(luò)提供區(qū)域信息，但網(wǎng)絡(luò)卻從樣本中自發(fā)習(xí)得了這部分信息27網(wǎng)絡(luò)感興趣區(qū)域可視化結(jié)果--熱點(diǎn)圖(a)Heatmap(b27把heatmap圖和原圖疊加后的結(jié)果網(wǎng)絡(luò)感興趣的區(qū)域大部分是應(yīng)該感興趣的區(qū)域，即便有時(shí)有毛發(fā)的干擾部分圖像關(guān)注區(qū)域不正確。當(dāng)網(wǎng)絡(luò)關(guān)注區(qū)域比較準(zhǔn)的時(shí)候，分類(lèi)正確率也比較高；當(dāng)網(wǎng)絡(luò)關(guān)注區(qū)域不太準(zhǔn)的時(shí)候，正確率相對(duì)低28把heatmap圖和原圖疊加后的結(jié)果網(wǎng)絡(luò)感興趣的區(qū)域大部分是28皮膚病AI成為非?；钴S的領(lǐng)域PART230皮膚病AI成為非?；钴S的領(lǐng)域PART23029基底細(xì)胞癌鱗狀細(xì)胞癌表皮內(nèi)癌光化性角化病脂溢性角化病惡性黑色素瘤黑素細(xì)胞痣雀斑樣痣化膿性肉芽腫血管瘤皮膚纖維瘤疣國(guó)際論文一：使用深度學(xué)習(xí)算法對(duì)良惡性腫瘤的臨床圖像的HanSS,KimMS,LimW,etal.Classificationoftheclinicalimagesforbenignandmalignantcutaneoustumorsusingadeeplearningalgorithm.[J].Journalof

InvestigativeDermatology,

2018.分類(lèi)研究（

Journal

of

Investigative

Dermatology

，2018）研究包括12種疾?。?131基底細(xì)胞癌黑素細(xì)胞痣國(guó)際論文一：使用深度學(xué)習(xí)算法對(duì)良惡性腫瘤30使用19,398

張訓(xùn)練集圖像對(duì)卷積神經(jīng)網(wǎng)絡(luò)（

ResNet-152模型）進(jìn)行微調(diào)訓(xùn)練HanSS,KimMS,LimW,etal.Classificationoftheclinicalimages

forbenignandmalignantcutaneoustumorsusingadeep

learningalgorithm.[J].JournalofInvestigativeDermatology,

2018.為了提高模型的特異性，使用其他248種疾病的159477張的圖像為了取得種族平衡：加入了3820幅白種人的圖像集32使用19,398張訓(xùn)練集圖像對(duì)卷積神經(jīng)網(wǎng)絡(luò)（ResNet31使用

Asan、Hallym

和

Edinburgh

三組數(shù)據(jù)集的測(cè)試集圖像驗(yàn)證訓(xùn)練后的模型Asan

數(shù)據(jù)集：基底細(xì)胞癌、鱗狀細(xì)胞癌、表皮內(nèi)癌、黑色素瘤診斷的曲線下面積（AUC）分別是

0.96

±

0.01、0.83

±

0.01、0.82±

0.02、0.96

±

0.00Edinburgh

數(shù)據(jù)集：四種疾病的曲線下面積分別是

0.90

±0.01、0.91

±

0.01、0.83

±

0.01、0.88

±

0.01Hallym數(shù)據(jù)集：基底細(xì)胞癌診斷的敏感度是

87.1%

±6.0%HanSS,KimMS,LimW,etal.Classificationoftheclinicalimagesforbenignandmalignantcutaneoustumorsusingadeeplearningalgorithm.[J].Journal

of33InvestigativeDermatology,

2018.使用Asan、Hallym和Edinburgh三組數(shù)32CNN可與皮膚科醫(yī)師相媲美使用經(jīng)過(guò)病理驗(yàn)證的圖像測(cè)試算法性能圖像數(shù)目：惡性腫瘤25張／類(lèi)，良性腫瘤20張／類(lèi)16

位皮膚科醫(yī)生相比（10位專(zhuān)家，6位工作十年以上的皮膚科醫(yī)師）HanSS,KimMS,LimW,etal.Classificationoftheclinicalimagesforbenignandmalignantcutaneoustumorsusingadeeplearningalgorithm.[J].Journal

o3f4InvestigativeDermatology,

2018.CNN可與皮膚科醫(yī)師相媲美使用經(jīng)過(guò)病理驗(yàn)證的圖像測(cè)試算法性能33非商業(yè)公開(kāi)臨床圖片資料庫(kù)Medi-calPhoto

()HanSS,KimMS,LimW,etal.Classificationoftheclinicalimagesforbenignandmalignantcutaneoustumorsusingadeeplearning

algorithm.[J].JournalofInvestigativeDermatology,

2018.35非商業(yè)公開(kāi)臨床圖片資料庫(kù)Medi-calPhoto(ht34國(guó)際論文二：在甲真菌病的診斷方面，深度神經(jīng)網(wǎng)絡(luò)的表現(xiàn)與皮膚科醫(yī)師相當(dāng)甚至超過(guò)皮膚科醫(yī)師水平：使用基于區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）自動(dòng)分割圖像，構(gòu)建甲真菌病數(shù)據(jù)集（PlosOne,

2018）HanSS,ParkGH,LimW,etal.Deepneuralnetworksshowanequivalentandoftensuperiorperformancetodermatologistsinonychomycosisdiagnosis:Automaticconstructionofonychomycosisdatasetsby

region-basedconvolutionaldeepneuralnetwork[J].PlosOne,2018,13(1):e0191493.3636國(guó)際論文二：在甲真菌病的診斷方面，深度神經(jīng)網(wǎng)絡(luò)的表現(xiàn)與皮膚35使用R-CNN對(duì)圖像進(jìn)行自動(dòng)識(shí)別和分割CNN選擇手／足部位CNN甲板特征發(fā)掘CNN精細(xì)圖像選擇：去掉不完全準(zhǔn)確的圖像37使用R-CNN對(duì)圖像進(jìn)行自動(dòng)識(shí)別和分割CNN選擇手／足部位C36A：準(zhǔn)確圖像：甲板占圖像的50-80%B: 不完全準(zhǔn)確圖像：甲占據(jù)空間太小或太大不利于觀察周?chē)つw，僅包含部分甲、有異物、含兩個(gè)以上甲C：錯(cuò)誤圖片：與甲形狀相似，如牙齒、疣R-CNN圖像自動(dòng)選擇的標(biāo)準(zhǔn)38A：準(zhǔn)確圖像：甲板占圖像B: 不完全準(zhǔn)確圖像：甲占C：錯(cuò)誤圖37訓(xùn)練方法及測(cè)試結(jié)果模型測(cè)試結(jié)果四組數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試，敏感性／特異性／AUC分別為：B1：96.0/94.7/

0.98B2：82.7/96.7/

0.95C: 92.3/79.3/

0.93D: 87.7/69.3/

0.82訓(xùn)練方法使用得到的49,567幅圖像對(duì)ResNet-152和VGG-19模型使用遷移學(xué)習(xí)方法進(jìn)行微調(diào)訓(xùn)練39訓(xùn)練方法及測(cè)試結(jié)果模型測(cè)試結(jié)果訓(xùn)練方法3938CNN與42位皮膚科醫(yī)師對(duì)比研究B1和C組數(shù)據(jù)集：CNN診斷結(jié)果顯著優(yōu)于皮膚科醫(yī)師B1+C

組數(shù)據(jù)集：沒(méi)有一名皮膚科醫(yī)師優(yōu)于CNN圖A，B1組數(shù)據(jù)集：50張甲真菌病和50張甲營(yíng)養(yǎng)不良圖B，C組數(shù)據(jù)集：57張甲真菌病和68張甲營(yíng)養(yǎng)不良圖C,B1+C組數(shù)據(jù)集：107張甲真菌病和118張甲營(yíng)養(yǎng)不良40CNN與42位皮膚科醫(yī)師對(duì)比研究B1和C組數(shù)據(jù)集：CNN診斷39國(guó)際論文三：在皮膚腫瘤的診斷方面，基于深度學(xué)習(xí)的、使用臨床圖像小數(shù)據(jù)集的計(jì)算機(jī)輔助分類(lèi)表現(xiàn)超過(guò)專(zhuān)業(yè)皮膚科醫(yī)師（

Br

J

Dermatol,

2018.6）FujisawaY,OtomoY,OgataY,etal.Deeplearning-based,computer-aidedclassifierdevelopedwithasmalldatasetofclinicalimagessurpassesboard-certifieddermatologistsinskintumordiagnosis.[J].BrJ

Dermatol.2018Jun14.doi:

10.1111/bjd.16826.4141國(guó)際論文三：在皮膚腫瘤的診斷方面，基于深度學(xué)習(xí)的、使用臨床40實(shí)驗(yàn)設(shè)計(jì)數(shù)據(jù)集：

1842位患者的6009 幅臨床圖像訓(xùn)練集：4867幅

；

驗(yàn)證集和測(cè)試集：

1142

幅神經(jīng)網(wǎng)絡(luò)：

GoogLeNet

DCNN

model

architecture13位經(jīng)過(guò)資格認(rèn)證的皮膚科醫(yī)師和9位皮膚科實(shí)習(xí)醫(yī)師14種疾病：MM,SCC,

BD,

AK,

BCC,

痣細(xì)胞痣(NCN),

藍(lán)痣(BlueN),

Spitz痣,皮脂腺痣(SebacN),

汗孔瘤（poroma）,

SK,

斑痣（nevus

spilus）,

單純性黑子，先天性色痣(CongN)除了后三種疾病以外，均經(jīng)過(guò)病理驗(yàn)證FujisawaY,OtomoY,OgataY,etal.Deeplearning-based,computer-aidedclassifierdevelopedwithasmalldatasetofclinicalimagessurpassesboard-certifieddermatologistsinskintumordiagnosis.[J].BrJ

Dermatol.2018Jun14.doi:

10.1111/bjd.16826.42實(shí)驗(yàn)設(shè)計(jì)數(shù)據(jù)集：1842位患者的6009 幅臨床圖像2014143CNN與皮膚科醫(yī)師對(duì)比診斷共分為4個(gè)級(jí)別43CNN與皮膚科醫(yī)師對(duì)比42DCNN與21位皮膚科醫(yī)師對(duì)比研究結(jié)果DCNN：總準(zhǔn)確率為76.5%，敏感度（惡性診斷為惡性）96.3%，特異度（良性診斷為良性）

89.5%皮膚科醫(yī)師：13位經(jīng)過(guò)資格認(rèn)證的皮膚科醫(yī)師和9位皮膚科實(shí)習(xí)醫(yī)師的準(zhǔn)確率分別為85.3%

±

3.7%

和 74.4%±

6.8%DCNN

準(zhǔn)確率：92.4%

±

2.1%(P<

.0001)1、具體到疾病名稱2、良惡性分類(lèi)FujisawaY,OtomoY,OgataY,etal.Deeplearning-based,computer-aidedclassifierdevelopedwithasmalldatasetofclinicalimagessurpassesboard-certifieddermatologistsinskintumordiagnosis.[J].BrJ

Dermatol.2018Jun14.doi:

10.1111/bjd.16826.44DCNN與21位皮膚科醫(yī)師對(duì)比研究結(jié)果DCNN：總準(zhǔn)確率為743內(nèi)部特征可視化可視化方法：降維方法（dimensionalityreductionmethod）顯示代表不同疾病的點(diǎn)在圖中的位置FujisawaY,OtomoY,OgataY,etal.Deeplearning-based,computer-aidedclassifierdevelopedwithasmalldatasetofclinicalimagessurpassesboard-certifieddermatologistsinskintumordiagnosis.[J].BrJDermatol.2018Jun14.doi:

10.1111/bjd.16826.44內(nèi)部特征可視化可視化方法：降維方法FujisawaY,O4446國(guó)際論文四：基于皮膚鏡圖像使用深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)肢端惡性黑色素瘤（

Plos

One,

2018.3）YuC,YangS,KimW,etal.Acralmelanomadetectionusingaconvolutionalneuralnetworkfordermoscopyimages.[J].PlosOne,2018,13(4):e0193321.4546國(guó)際論文四：基于皮膚鏡圖像使用深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)肢端惡45數(shù)據(jù)集與方法724幅皮膚鏡圖像（350幅肢端惡黑、374幅肢端色素痣）均經(jīng)過(guò)病理診斷測(cè)試集：1/2，驗(yàn)證集：1/247數(shù)據(jù)集與方法724幅皮膚鏡圖像4746）CNNnon-expert’s

（2位）expert（2位Ture

positive83.51%67.84%81.08%True

negative80.23%62.71%81.64%結(jié)果與結(jié)論結(jié)論：CNN在肢端惡黑的檢測(cè)中達(dá)到了專(zhuān)家水平。48）CNNnon-expert’s（2位）expert（2位47國(guó)際論文五：深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)黑色素瘤皮膚鏡圖像的診斷表現(xiàn)與58位皮膚科醫(yī)師對(duì)比（

Annals

of

Oncology

,

2018.3）H.A.Haenssle1,C.Fink,etal.Managainstmachine:diagnosticperformanceofadeeplearningconvolutionalneuralnetworkfordermoscopicmelanomarecognitionincomparisonto58dermatologists.[J].AnnalsofOncology,0:1–7,2018doi:10.1093/annonc/mdy166.49國(guó)際論文五：深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)黑色素瘤皮膚鏡圖像的診斷表現(xiàn)與48數(shù)據(jù)集德國(guó)、美國(guó)和法國(guó)的研究人員使用10

萬(wàn)多幅惡性黑色素瘤300幅皮膚鏡圖像作為測(cè)試集臨床醫(yī)生診斷其中最難的100幅Level-I：58位皮膚科醫(yī)師根據(jù)皮膚鏡圖像給出診斷和下一步管理策略Level-II：4周后，根據(jù)臨床信息結(jié)合皮膚鏡圖像再次給出診斷和下一步管理策略與CNN結(jié)果對(duì)比數(shù)據(jù)集與方法49數(shù)據(jù)集德國(guó)、美國(guó)和法國(guó)的研究人員使用Level-I：5849結(jié)果sensitivityspecificitylevel-I86.6%71.3%level-II88.9%75.7%CNN注：CNN的結(jié)為在ROC

曲線82.5%，取皮膚科醫(yī)師果 上的敏感度86.6%和88.9%時(shí)，CNN的特異度。CNN的得分結(jié)果接近the

ISBI2016

challenge排名前三的算法CNN診斷的

ROC曲線圖50結(jié)果sensitivityspecificityle50皮膚組織病理的自動(dòng)分類(lèi)表皮提供大多數(shù)疾病的關(guān)鍵信息，通常為病理學(xué)家檢查皮膚組織的首檢區(qū)域，Lu等基于WSI以及CAD技術(shù)，實(shí)現(xiàn)表皮區(qū)域的自動(dòng)分割與分析，靈敏度、精確度分別達(dá)到97.99%、96%Xu等提出黑色素瘤WSI自動(dòng)分析與分類(lèi)技術(shù)，經(jīng)66例皮膚WSI圖像證實(shí)，該方法達(dá)到95%以上的分類(lèi)精度，表明該技術(shù)有望為病理學(xué)家提供黑色素瘤診斷的參考意見(jiàn)Zhang等基于多實(shí)例多標(biāo)記學(xué)習(xí)（multi-instance

multilabel

learning,

MIML）的框架，通過(guò)對(duì)病理醫(yī)師的診斷思維建模，實(shí)現(xiàn)皮膚病理圖像的自動(dòng)標(biāo)注51皮膚組織病理的自動(dòng)分類(lèi)表皮提供大多數(shù)疾病的關(guān)鍵信息，通常為病51皮膚病治療Cazzaniga

等應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)接受準(zhǔn)分子激光治愈白癜風(fēng)所需的治療次數(shù)Khozeimeh等基于模糊規(guī)則算法（fuzzy

rule-based）為尋常疣、跖疣選擇最佳療法（免疫療法和冷凍療法），并預(yù)測(cè)治療效果而現(xiàn)有的醫(yī)療應(yīng)用中，Derma

Compare利用云人工智能技術(shù)，用戶通過(guò)手機(jī)攝