医疗大数据环境下基于人工智能的皮肤病自动诊断系统研究

Dermatosis has a wide range of incidence, multi-types of illness, long time treatment and other characteristics. Due to the high cost of treatment, repeated illness, delayed attacks and so on, dermatosis strikes the normal social development and healthy lives. With respect to lack of dermatology medical staff in non-professional hospitals, this project aims to design automatic dermatosis diagnosis models and relevant feature selection algorithms based on manifold medical examination information, by using modern machine learning models, artificial intelligence search strategy, and state-of-the-art deep learning architectures. The scope covers the study of dermatosis prediction models based on histopathology information, the study of deep learning framework for dermatosis diagnosis based on dermoscopic image information, the study of feature selection algorithms for automatic dermatosis diagnosis system, the study of universal deep learning frameworks facing manifold medical examination information. The contribution can be divided as two folds: theoretically, this research can perfect the existing theoretical system of medical data mining field and explore the potential of deep learning in the field of precision medical treatment. Practically, results can assist physicians in clinical diagnosis, reducing their work pressure and misdiagnosis rate. Moreover, with respect to the scarcity of grass-roots medical staff majoring in dermatology, results can enhance a large number of physicians’ skill on dermatosis diagnosis, and thus facilitate the remote grass-roots patients to seek medical treatment. Finally, the total cost of social medical treatment can be reduced.

皮肤病具有发病范围广、病情种类多，治疗时间长等特征。由于治疗费用高，病情反复，病情拖延等，给健康生存和经济社会发展，敲响了警钟。针对目前非专业医院皮肤科医务人员配备的匮乏，本项目旨在利用现代机器学习模型，人工智能搜索算法，和前沿的深度学习架构，研究基于多元信息的皮肤病自动诊断模型与特征选择算法。包括：基于组织病理学信息的皮肤病诊断预测模型设计；基于皮肤镜影像信息的皮肤病诊断深度学习架构设计；针对皮肤病诊断系统的特征选择算法研究；基于多渠道皮肤病检测数据的通用型预测模型设计。从理论层面，该研究可以完善现有医疗数据挖掘领域理论体系，发掘深度学习在精准医疗领域的应用潜力。从实际角度，该研究成果可以辅助医生临床诊断，减小医生的工作压力及误诊率。尤其对于目前皮肤科基层医务人员稀缺现状，该成果可以提升大量医务人员的皮肤病诊断水平，进而方便偏远基层患者就医，减少社会总就医成本。

本项目在实施过程中，利用现代机器学习模型，人工智能搜索算法，和前沿的深度学习架构，围绕基于多元信息的皮肤病自动诊断模型与特征选择算法设计开展了一系列研究，主要内容包括：（1）基于组织病理学检测影像的自动诊断模型设计，提出了一个基于轻量级注意机制的深度学习框架，即DRANet，该框架利用我们在过去10年中收集的真实组织病理学图像集来鉴别诊断11种皮肤疾病。（2）基于皮肤镜检查影像信息自动诊断模型设计，提出了一个支持跨地域皮肤病诊断的深度学习框架，并收集不同地域的真实皮肤镜影像进行模型验证。（3）用于皮肤病自动诊断系统特征选择算法与关键特征可视化算法设计，将用于自然语言处理框架的注意力机制引入视觉模型中，改进注意力机制使其适用于图像信息输入特征，并以无监督学习形式提取关键特征，实现重点关注区域提取。（4）基于多元皮肤病检测信息的通用型自动诊断模型设计，基于不同来源影像（如普通摄像机下皮肤影像、皮肤镜影像、超声影像……），以及影像关联诊断报告文本信息，利用迁移学习技术训练通用型深度学习框架实现分类诊断，同时提出基于解编码器与注意力机制的端到端图像文本自动生成网络，使模型输出疾病类别标签同时可以自动生成相应诊断报告。（5）面向皮肤病检测轻量级神经网络训练效率提升算法研究，提出一种新型训练策略来补偿轻量级卷积神经网络模型由于体积缩小造成的精度损失。所提出的训练算法不会改变模型大小，但在微调后提高了性能。这种训练方法可以在不增加模型复杂度的情况下提高其准确性。（6）成果转化——皮肤病自动诊断系统应用软件开发，基于项目理论研究成果，面向用户和医生的不同需求，开发了一款支持远程医疗的皮肤病辅助诊断手机应用软件，实现针对性的实施辅助诊断帮助。该成果以获批软件著作权一项。以上研究成果在人工智能、运筹优化及医学影像处理领域具有重要的学术及应用价值。