AI挑戰皮膚癌診斷
編譯／許晉華
CNN的優異表現
全球每年約有23.2萬黑色素細胞瘤新增病例，並造成5.6萬名患者死亡。然而，事實上，黑色素細胞瘤是可以被治癒的，惟多數病例遲至中晚期才被確診，錯過治療時機。德國海德堡大學皮膚科醫師兼教授Holger Haenssle解釋道：過去20年來，他與研究團隊致力於發展非侵入性的皮膚檢測技術，希望能輔助醫生診斷並降低遺漏黑色素瘤的可能。而當他注意到深度學習，尤其是CNN在其他領域的亮眼成績時，便立刻帶領團隊投入相關研究。
CNN的運作如同一個小孩的大腦，利用10萬張皮表透光顯微鏡影像，進行訓練與學習，改善模型的整體表現。訓練完成後，另由海德堡資料庫中蒐集兩組測試資料集：一組包含300張影像，主要用以測試CNN的性能；另選用100張難以分類的病變影像，則用以比較AI與專業醫療人員人為判斷的差異。所邀集的皮膚科醫師來自全球17國家，共計58名，逾半數以上有五年以上的專業皮膚科執業經驗。
研究主要分為兩個階段。第一階段，皮膚科醫生被要求直接基於影像分辨疾病良、惡性，並提出對應的治療方案，包含手術切除、定期追蹤或無須治療。經一個月後進行二次判讀，此時將提供包含病患年齡、性別及病灶位置等病歷資訊，以及100張特寫影像，讓醫生再次診斷和下決策。
在第一階段，皮膚科醫師僅憑影像與專業經驗的情況下，惡性黑色素細胞瘤的確診率平均達到86.6%，良性痣的分辨率達71.3%，然AI的黑色素細胞瘤確診率卻高達95%。在第二階段中，皮膚科醫師的表現分別提升至88.9%及75.7%，但仍不及AI亮眼。
Haenssle指出，AI所遺漏的惡性黑色素瘤較少，代表其敏感度 ( sensitivity ) 高於皮膚科醫生；誤診率也較低，顯示其特異度 ( specificity ) 也略勝一籌，可以避免不必要的手術。而即使皮膚科醫師在二階段時表現有所提升，但AI在缺乏病歷等詳細資訊的情況下，仍有較高準確率。綜合兩階段的整體表現，無論專業執業醫師的經驗豐富與否，人為判讀始終不及AI。
然而該研究的主要目的，並非完全取代皮膚科醫生，而是讓AI成為輔助診斷的一環，協助醫師進行臨床檢驗，幫助他們決定是否採集檢體。此外，由於臨床上，多數醫師已改採數位皮膚鏡作檢測，若能與數位影像記錄結合，應用於後續追蹤診斷，AI可以更有效且迅速的判定病灶是否為惡性腫瘤。
門檻與限制
然而這份研究也存在一些限制，其中包含作為比較參照的皮膚科醫師們，明白這僅是實驗設定，並非生死相關的診斷及決策；另外，測試資料集中的皮膚病變影像並不完整，且缺乏高加索人種外的資料。最後，醫生必須與AI建立起互信關係，否則可能不會完全遵照透過CNN所得出的結論與建議。
澳洲墨爾本蒙納士大學的Victoria Mar博士及布里斯本昆士蘭大學的H. Peter Soyer在相關的社論中指出：目前黑色素細胞瘤的確診率，仍取決於醫生的臨床經驗及培訓。Haenssle等人的研究已證實CNN的性能已超越多名皮膚科醫師與專家，代表AI具有標準化的診斷能力。也就是說，無論病患的居住地和看診醫生為何，皆能得到可靠的評估診斷。
同時，他們也點出幾個AI在實際投入前需要突破的難題，包含生長在如手指、腳趾及頭皮等，皮膚鏡難以捕捉的病灶；此外，如何訓練AI辨別非典型黑色素細胞瘤，甚至是病患本身尚未察覺的皮膚病變，都是待解決的課題。總而言之，AI自動診斷系統，距離完全取代臨床皮膚檢測仍有一段路要走。
參考資料
- European Society for Medical Oncology. “Man against machine: AI is better than dermatologists at diagnosing skin cancer.” ScienceDaily, 28 May 2018.
- V J Mar, H P Soyer. “Artificial intelligence for melanoma diagnosis: How can we deliver on the promise?” Annals of Oncology, 2018.
(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)