專家認(rèn)為AI生成的圖像不能解決皮膚病學(xué)數(shù)據(jù)庫的多樣性問題

據(jù)The Verge報道，關(guān)于皮膚狀況的圖像數(shù)據(jù)庫眾所周知地偏向于淺色皮膚。與其等待收集更多深色皮膚上的癌癥或炎癥等病癥的緩慢過程，一個團(tuán)體希望利用人工智能來填補空白。它正在研究一個人工智能程序，以生成深色皮膚上疾病的合成圖像--并將這些圖像用于一個可以幫助診斷皮膚癌的工具。

加拿大麥克馬斯特大學(xué)從事該項目的機器學(xué)習(xí)專家Eman Rezk說：“擁有黑皮膚的真實圖像是最終的解決方案。在我們擁有這些數(shù)據(jù)之前，我們需要找到一種方法來縮小差距?！?/p>

但在該領(lǐng)域工作的其他專家擔(dān)心，使用合成圖像可能會引入他們自己的問題。斯坦福大學(xué)皮膚病學(xué)臨床學(xué)者Roxana Daneshjou說，重點應(yīng)該是在現(xiàn)有數(shù)據(jù)庫中增加更多不同的真實圖像。她說：“創(chuàng)建合成數(shù)據(jù)聽起來比做艱苦的工作來創(chuàng)建一個多樣化的數(shù)據(jù)集更容易?！?/p>

目前研究人員建立的工具可以掃描皮疹和痣的圖像，以弄清最可能的問題類型。然后皮膚科醫(yī)生可以使用這些結(jié)果來幫助他們進(jìn)行診斷。但大多數(shù)工具是建立在圖像數(shù)據(jù)庫上的，這些數(shù)據(jù)庫要么不包括許多深色皮膚上的病癥實例，要么沒有關(guān)于它們所包括的膚色范圍的良好信息。這使得研究小組很難相信一個工具在深色皮膚上會有同樣的準(zhǔn)確性。

這就是為什么Rezk和團(tuán)隊轉(zhuǎn)向了合成圖像。該項目有四個主要階段。該團(tuán)隊已經(jīng)分析了可用的圖像集，以了解深色皮膚色調(diào)的代表性如何開始不足。它還開發(fā)了一個人工智能程序，使用淺色皮膚上的皮膚狀況的圖像來產(chǎn)生深色皮膚上的這些狀況的圖像，并驗證了模型給他們的圖像。“由于人工智能和深度學(xué)習(xí)的進(jìn)步，我們能夠使用現(xiàn)有的白色掃描圖像來生成不同膚色的高質(zhì)量合成圖像，”Rezk說。

接下來，該團(tuán)隊將把深色皮膚的合成圖像與淺色皮膚的真實圖像結(jié)合起來，創(chuàng)建一個可以檢測皮膚癌的程序。Rezk說，它將不斷檢查圖像數(shù)據(jù)庫，以找到任何新的、真實的深色皮膚狀況的圖片，他們可以將其添加到未來的模型中。

該團(tuán)隊并不是第一個創(chuàng)建合成皮膚圖像的團(tuán)隊--包括Google Health研究人員在內(nèi)的一個小組在2019年發(fā)表了一篇論文，描述了生成這些圖像的方法，而且它可以創(chuàng)建不同膚色的圖像。(Google對皮膚病學(xué)人工智能感興趣，并在去年春天宣布了一個可以識別皮膚狀況的工具）。

Rezk說合成圖像是一種權(quán)宜之計，直到有更多關(guān)于深色皮膚狀況的真實圖片可用。不過，Daneshjou對使用合成圖像表示擔(dān)憂，即使是作為一個臨時解決方案。研究團(tuán)隊將不得不仔細(xì)檢查人工智能生成的圖像是否會有任何人們無法用肉眼看到的通常的怪異特征。理論上，這種類型的特征可能會歪曲人工智能程序的結(jié)果。確認(rèn)合成圖像與模型中的真實圖像一樣好用的唯一方法是將它們與真實圖像進(jìn)行比較--真實圖像是供不應(yīng)求的。她說：“然后回到這樣一個事實：為什么不努力嘗試獲得更多的真實圖像？”

Daneshjou說，如果一個診斷模型是基于一個小組的合成圖像和另一個小組的真實圖像--即使是暫時的--那也是一個問題。它可能會導(dǎo)致模型在不同的膚色上有不同的表現(xiàn)。

她說，對合成數(shù)據(jù)的倚重也可能使人們不太可能推動真實、多樣化的圖像。她表示：“如果你要這么做，你真的會繼續(xù)做這項工作嗎？我實際上希望看到更多的人在獲取真實的多樣化數(shù)據(jù)方面做工作，而不是試圖做這種變通。”

關(guān)鍵詞： 專家認(rèn)為AI生成的圖像不能解決皮膚病學(xué)數(shù)據(jù)庫的多樣性問