据估计，全球有25%的患者接受的治疗都是针对皮肤问题的，在这部分患者中，多达37%的人至少有过一次以上因皮肤问题而就医的情况。皮肤科庞大的工作量以及全球皮肤科医生的短缺迫使一些患者只能在全科医生处进行相关皮肤类疾病就诊，而全科医生在诊断病情方面又不如专家准确。

这一趋势促使谷歌的研究人员研发了一种能够发现初级护理中最常见的皮肤病的人工智能系统。人工智能系统的开发基于深度学习（deep learning）来解决初级保健中最常见的皮肤问题，这项研究旨在增强全科医生诊断皮肤类疾病的能力。当提供有关患者病例的图像和元数据时，AI可以在26种不同的皮肤疾病下实现准确发现，其准确度能比肩资深的皮肤科专家。

通常来说，皮肤科医生在诊断任何皮肤疾病时，不会只给出单一诊断，他们会根据病人实际状况以及疾病原理列出一个可能疾病的范围，进而再通过后续的问诊、测试、成像等方式缩小疾病范围。这款最新的AI系统也是如此，它处理的输入数据包括一个或多个皮肤异常的临床图像和多达45种元数据类型（例如，病史、年龄、性别、现有症状等）。

研究小组表示，人工智能系统使用来自两个州17个初级保健诊所的17,777例确诊病例对该模型进行评估。他们将训练AI的语料库一分为二，将2010-2017年期间病例用作训练AI的数据集，将2017-2018年病例用作评估AI是否准确地参照数据集。同时在训练期间，该模型利用40多名皮肤科医生提供的50,000多例诊断实例不断自我“精进技艺”。

接着，为了确保AI的诊断准确性，研究人员汇集三名顶尖的皮肤科医生的诊断结果来加以验证。通过对3750多例病例的汇总得出真实标签，AI对皮肤疾病的排名列表中top 1以及top 3的常见疾病的诊断准确度分别达71%和93%。此外,当系统与三类临床医生(皮肤科医生、全科医生和实习医师)在诊断疾病的准确率进行比较时，其以90%的准确度胜于皮肤科医生75%、全科医生60%、实习医师55%的诊断准确率。

最后，为了评估对不同皮肤类型的潜在偏差，该团队根据Fitzpatrick皮肤分型（译者注：肤色根据对日光照射后的灼伤或晒黑的反应可分为 I-VI 型。I 型：总是灼伤 , 从不晒黑；II 型：总是灼伤 , 有时晒黑；III 型：有时灼伤 , 有时晒黑；IV 型：很少灼伤 , 经常晒黑；V 型：从不灼伤 , 经常晒黑；VI 型：从不灼伤 , 总是晒黑。欧美人皮肤基底层黑色素较少，属I, II 型；黄皮肤人种为III, IV型，皮肤基底层黑色素含量中等；非洲棕黑色皮肤为V, VI型，皮肤基底层黑色素含量很高）测试了AI系统的性能。

研究人员将注意力集中在至少占5％数据的皮肤类型上，他们发现该模型的性能表现与验证AI准确性该步骤相似。当肤色、人种有区别时，AI对top 1常见皮肤疾病的诊断率为69%-72%，对top 3 常见疾病的诊断率为91%-94%。

换言之，该AI不会因为肤色的差别而进行误判。目前，该AI系统还是存在一定局限性。首先，现在的元数据都源于一个数据出处，数据范围还不够广泛；其次，Fitzpatrick皮肤类型中一些皮肤疾病太过罕见，用于常见疾病的AI系统并不适用；再者，一些类似于黑色素瘤的数据样本该AI还未学会如何进行分析，所以该人工智能还有更多上升完善的空间。

相信在不久的将来，这些限制可以通过AI不断加强学习更多类型的皮肤病类型和数据的方式解决。深度学习为皮肤病的鉴别诊断提供信息，这一实验的成功无疑会减轻医生许多负担，未来也可更多用于帮助分类病例、指导临床护理的优先顺序、或帮助全科医生更准确地启动皮肤病治疗程序，从而改善皮肤病患者的治疗与护理。