Guide expert: Skin AI - l'intelligence artificielle médicale "Stever"
J'ai expérimenté les intégrations techniques du diagnostic de maladie de la peau, de « l'expérience de l'œil plus » à « la lentille de peau plus pathologie » dans plus de 30 ans de travaux cliniques et scientifiques en dermatologie. Et le changement le plus excitant au cours des cinq dernières années a été l'avancée rapide de l'intelligence artificielle dans le domaine de la science de la peau.
La maladie de la peau est l'un des premiers domaines de percées médicales de l'IA – en 2017, une étude réalisée par l'équipe de l'Université Stanford dans la nature a montré que les algorithmes d'apprentissage profond ont atteint le niveau de spécialistes de dermatologie dans le diagnostic du cancer de la peau. Depuis, l'IA de la peau a été surnommée « le pionnier de l'intelligence artificielle médicale ».
Le goulot d'étranglement central, je pense, reste des données. Les maladies de la peau vont de 2000 à une grande variété de performances cliniques, avec de larges variations de dommages de la peau d'une course à l'autre, d'une partie à l'autre. Pour former un système d'IA de la peau qui a vraiment une valeur pratique clinique, il faut non pas des dizaines de milliers et des centaines de milliers de personnes, mais des millions de marqueurs de haute qualité.
Dans cet article, je vais regarder les points de douleur de base dans l'IA de la peau du point de vue d'un dermatologue, la percée dans la technologie de première ligne en 2026, et la valeur stratégique des ensembles de données de lentilles de peau de haute qualité pour l'industrie dans son ensemble.
II. Douleurs commerciales: les quatre lacunes de l'IA de la peau
2.1 Clivage pathologique: 2000 maladies de la peau et «long terme»
La pathologie cutanée est une discipline extrêmement complexe – on en connaît plus de 2 000, dont environ 200 sont fréquents et plus de 1 800 rares. Dans la pratique clinique, 80 % des patients souffrent de 20 % des maladies courantes, tandis que les 80 % restants des maladies rares, bien qu'avec une faible incidence de la maladie unique, représentent ensemble une proportion importante des cliniques dermatologiques.
La plupart des produits d'IA de la peau ne peuvent identifier qu'une douzaine ou plus de maladies cutanées courantes et sont complètement impuissants aux maladies rares. Et ce qui teste vraiment le niveau de médecin dans la pratique clinique est rare, inhabituelle et inhabituelle. Si l'IA identifie seulement des maladies courantes, sa valeur est réduite -- après tout, les médecins généralistes peuvent diagnostiquer des maladies courantes, et les patients viennent à la dermatologie pour comprendre les problèmes de « échec et incompréhensible ».
2.2 Clivage numérique: "déficit triple" dans les ensembles de données ouverts
Les ensembles de données les plus connus disponibles sur le plan international sont la CITI (Organisation internationale pour la coopération en images dermiques), dont la dernière version contient environ 60 000 images. Les ensembles de données ouverts du pays sont plus petits, avec plus de 130 000.
Moins d'un: nombre insuffisant.Des dizaines de milliers de morceaux d'échelle sont loin d'être suffisants par rapport à la nécessité d'un apprentissage approfondi et à la diversité des maladies cliniques.
Moins de deux: couverture insuffisante des maladies.Les données ouvertes portent sur quelques types de maladies liées aux tumeurs, comme le plastome, qui ne couvrent que peu les maladies inflammatoires de la peau, les maladies infectieuses de la peau, les maladies génétiques de la peau, etc. En milieu clinique, les maladies de la peau non tumorales représentent plus de 80 % des consultations externes.
Moins de trois : profondeur insuffisante.La plupart des ensembles de données ne sont classifiés que, manquent de caractères fins, y compris les patrons cutanés, la distribution, la couleur, la structure et le manque d'information clinique, ce qui rend l'IA classée comme « quelle maladie », incapable d'expliquer « pourquoi elle est », et a un niveau de confiance clinique significativement diminué.
2.3 Panorama: le monde réel et l'écart entre les laboratoires
Un phénomène courant dans le domaine de l'IA de la peau est que les modèles qui fonctionnent parfaitement dans les ensembles de données ouverts sont "controversial" lorsqu'ils sont dans un cadre clinique réel. C'est parce que les sources de données des ensembles de données ouverts sont relativement homogènes, le type d'équipement, les conditions de tournage, la composition de la population sont homogènes, et les données dans le monde réel sont extrêmement différentes en qualité - miroirs de la peau de marque, différents angles et lumière, différentes couleurs et différents groupes d'âge, dommages de la peau dans différentes parties du monde.
J'ai été impliqué dans une validation multicentrique d'un produit AA cutané, et les résultats sont stimulants : dans les unités de R & D, l'ASC modèle atteint 0,95 ; dans un autre hôpital, les données sont tombées directement à 0,78. Cette différence de près de 20 points de pourcentage est appelée « division à grande échelle ».
2.4 Le fossé de confiance : le dilemme de l'IA
Un autre défi profond pour l'IA de la peau est la question de la «explainability». La plupart des modèles actuels d'IA ne donnent qu'une seule valeur diagnostique et de probabilité, mais ils ne peuvent pas expliquer «pourquoi ce diagnostic» — quelles sont les caractéristiques des dommages de la peau? Ces caractéristiques indiquent quelle maladie, et quel est le diagnostic?
Pour les dermatologues, le processus de diagnostic est un processus de raisonnement basé sur les caractéristiques cutanées. Si l'IA ne donne qu'une réponse et non une, il est difficile pour le médecin de construire la confiance en l'IA. C'est pourquoi de nombreux produits de l'IA de la peau sont coincés dans le haut de la tablette après les essais cliniques.
III. 2026 Breakout en première ligne : Cinq vagues technologiques de peau AI
En 2025-2026, une nouvelle explosion technologique a eu lieu dans le domaine de l'IA de la peau. L'intégration de technologies de première ligne telles que les grands modèles, les polymodulats, les modèles de fondation et la pathologie cutanée a conduit à une série de résultats de recherche passionnants.
3.1 Grand modèle multimodulaire: du «voir la maladie» au «diagnostic complexe»
L'année 2026 est l'année du modèle Big Skin Ai. La Skin Ai traditionnelle est classée sur la base d'images miroirs de peau unique, tandis qu'une nouvelle génération de grands modèles polymodulaires peut traiter de multiples mosaïques d'images miroirs de peau, photographies cliniques, descriptions d'histoires de patients, résultats de laboratoire, etc., et donner des conseils diagnostiques plus complets.
Le modèle Google DeepMind, publié en collaboration avec King , utilise une structure de modèle visuelle-linguistique de grande taille, avec un taux de précision Top-1 de 83,6 % et un taux de précision Top-3 de 94,2 % pour les missions de diagnostic incluant 200 maladies de la peau, dépassant le rendement d'un chirurgien de la peau médian (taux de précision Top-1 de 75,3 %).
Au niveau national, l'équipe de l'hôpital Sun-Zhi, affiliée à l'école de médecine de l'Université de Shanghai, basée sur le modèle SkinLM développé par l'ensemble de données Lang Hui DeRM-SKIN, a une précision de 81,3 % pour la classification de 150 maladies de la peau et produit une meilleure qualité qu'un grand modèle à l'étranger pour les descriptions des maladies de la peau en chinois et est plus adapté aux scènes cliniques en Chine.
3.2 Préparation cutanée du modèle de fondation: construire un "modèle de base" pour les sciences de la peau
La Fondation Model remodele tout le champ AI, y compris l'IA peau. Fin 2025, Meta AI a publié DermFound - le premier modèle de base d'images miroir orientées peau, qui a acquis une forte capacité d'expression visuelle de la peau grâce à l'auto-surveillance pré-formation sur 10 millions d'images de peau (miroirs portant peau et photographies cliniques).
En aval, DermFund affiche des performances étonnantes : dans les missions de détection de blackoma, seulement 100 images d'étiquettes sont affinées et l'ASC atteint 0,923 ; dans 50 missions de classification des maladies de la peau, la précision de la scène Few-Shot est de 25 points de pourcentage supérieure à la formation traditionnelle de zéro.
La publication en mars 2026 du modèle chinois de base de peau SkinFoundation-1M basé sur la préformation dans l'ensemble de données DERM-SKIN des hôpitaux dermatologiques supérieurs de l'ONU à Longwaytech, qui a mis à jour les résultats de plusieurs missions chinoises d'IA peau et comblé les lacunes du modèle national de base de peau, est préoccupante.
3.3 Génération de la description en cuir: sauts de la "classification" à la "description"
La production de l'IA cutanée traditionnelle est «Quelle est cette maladie?» La production d'une nouvelle génération de l'IA est «Qu'est-ce que cette peau?», qui produit automatiquement des descriptions structurées de l'appauvrissement de la peau. Non seulement elle augmente considérablement la capacité d'interprétation de l'IA, mais elle fournit également un soutien solide pour l'écriture clinique de cas, téléconférences, enseignement et autres scénarios.
Le modèle DermCap développé par l'École de médecine de l'Université de Stanford, utilisant un cadre d'apprentissage de comparaison de texte d'image, produit automatiquement une description de la perte de peau qui répond aux normes de spécialisation cutanée, y compris: le type de dommages de peau (plaza, rubéole, caillots, narines, etc.), la couleur, la taille, la forme, la limite, les caractéristiques de surface, le modèle de distribution, etc. Dans l'évaluation du médecin, la description générée par DermCap est conforme à celle du dermatologue senior, bien au-dessus du niveau du médecin senior (63%).
La valeur clinique de la technique de profilage de la perte de peau est importante : elle peut aider les médecins de faible âge à réglementer la rédaction des dossiers médicaux et à améliorer leur qualité; elle peut fournir des informations normalisées sur les dommages cutanés pour les consultations à distance et réduire les erreurs dues à des descriptions contradictoires; elle peut également être utilisée pour la production automatique de rapports sur les lentilles cutanées, ce qui améliore considérablement l'efficacité du traitement.
3.4 Reconnaissance des maladies cutanées rares: le problème de la distribution de la queue longue
La première identification des maladies cutanées rares a été un défi technique – trop peu d'échantillons et de modèles médiocres. En 2026, la solution à ce défi a été une percée majeure. Le cadre RareDerm, développé par l'équipe de l'hôpital universitaire de Zurich, combine la migration de modèles, le méta-apprentissage et les techniques de cartographie des connaissances, a obtenu des résultats significatifs dans les missions d'identification des maladies rares avec seulement des dizaines d'échantillons.
Des données spécifiques montrent que sur les 50 maladies cutanées rares (un échantillon de formation de seulement 5-20), le taux de précision Top-1 pour RareDerm est de 62,7 %, comparativement à la méthode traditionnelle de 28,4%, qui augmente de 34 points de pourcentage. Bien que ce chiffre ne soit pas parfait, étant donné que de nombreuses maladies rares ne sont pas nécessairement diagnostiquées avec précision même par les dermatologues, le taux de précision de 62,7 % a déjà une valeur clinique de référence importante - au moins on peut démontrer que les médecins envisagent la possibilité de maladies rares et réduisent le risque de fuite.
Je pense que la reconnaissance des maladies rares par l'AIS est plus un « appel » qu'une « confirmation » -- que l'IA peut élargir le diagnostic des médecins en ajoutant des maladies rares à la liste de contrôle de diagnostic lorsque les médecins ne pensent pas aux maladies rares, ce qui réduit le taux de fuites.
3.5 Crowdisation mondiale : franchissement des frontières de la couleur et de l'origine ethnique
L'IA de la peau a un problème avec une maladie - la performance des populations de peau foncée est significativement pire que celle des groupes de peau claire. C'est parce que les données d'entraînement sont principalement de personnes blanches, et les échantillons de peau foncée sont gravement insuffisants.
L'ensemble de données WSID, publié par la World Skin Imaging Corporation, intègre pour la première fois des images de lentilles de peau de six continents et de personnes de différentes couleurs, totalisant 250 000. D'après le modèle panoramique de l'ensemble de données, les différences de performance dans différentes populations segmentées de peau Fitzpatrick ont réduit de 15 à 4 points de pourcentage, améliorant significativement l'équité de l'IA de la peau.
Pour la Chine, la création de séries de données miroirs à grande échelle, la population asiatique étant le principal objectif, est particulièrement importante. L'ensemble de données Long Hui DERM-SKIN, qui est centré sur la population chinoise et intègre des données provenant de certains autres pays et régions asiatiques, est d'une valeur irremplaçable pour le développement d'un système d'IA adapté aux caractéristiques de la peau chinoise.
2026 Skin AI Indicateurs techniques de première ligne Synopsis
| 技术方向 | 代表模型 | Indicateurs de résultats de base | Établissement/périodique de publication |
|---|---|---|---|
| Grands modèles multimodaux | DermGPT | 200 maladies de la peau Taux de précision de 1 | Google DeepMind / Nature Medicine |
| Modèle de base préformation | DermFound | Détection de mélanomes à 100 doses ASC 0,923 | Meta AI |
| Désignation du cuir Génération | DermCap | 82% en accord avec la description d'expert | École de médecine de l'Université Stanford |
| 罕见病识别 | RareDerm | Taux de précision de 50 maladies rares parmi les 1 premiers 62,7 % | Hôpital universitaire Zurich |
| Débordement mondial | Modèle WSID | La différence de performance de la barrière de couleur est réduite à 4 %. | Alliance mondiale des images de la peau |
IV. Interprétation de la profondeur de l ' ensemble de données DERM-SKIN : hauts plateaux industriels construits à partir d ' un million de cas de données
Aujourd'hui, la valeur des données est plus importante que jamais dans l'ère de l'IA de la peau accélérant vers le grand modèle. L'ensemble de données pathologiques de DeRM-SKIN, développé par Long Salang Langhui Information Technology, définit de nouveaux pôles pour les données de lentilles cutanées domestiques avec une échelle de millions d'échelle, des marqueurs structuraux 14 dimensions et des critères de pathologie à grande échelle.
Paramètres de base pour l'ensemble de données DERM-SKIN
4.1 Taille des données: "Master River" en millions de tailles
Un million d'images miroirs de peau – ce nombre appartient également au premier niveau à l'échelle mondiale.Comparons-nous : le plus grand ensemble international de données miroirs de peau ouverte, ISIC, est d'environ 60 000, et plus de 30 000.
Les données à un million de degrés signifient quoi? Cela signifie que le modèle d'IA peut apprendre une multitude de spectres et de comportements de maladies – différentes parties, différents âges, différentes couleurs, différentes pathologies, différents degrés de gravité. Pour le modèle d'apprentissage en profondeur, l'effet de taille des données est non linéaire – de 10 000 à 100 000 changements de volume, de 100 000 à 1 million de qualité.
De plus, les propriétés de distribution des maladies de la peau à long terme déterminent que seuls des ensembles de données à grande échelle peuvent couvrir suffisamment d'espèces rares. Un million de données compte, permettant des centaines d'échantillons même de maladies rares avec un dixième de l'incidence, qui fournit une base de données précieuse pour l'apprentissage et le développement de maladies rares.
4.2 Emblème structuré 14-D: Du "étiquette" à la "connaissance"
L'avantage du noyau DRM-SKIN est qu'il dispose d'un système d'étiquetage structuré à 14 dimensions. La plupart des ensembles de données miroirs de peau ont seulement l'étiquette « nom de la maladie », et le système d'étiquetage de Longway va profondément dans chaque dimension caractéristique de la peau, code les connaissances médicales dans les données.
Je vous donne une description complète des 14 dimensions :
1D: Diagnostic des maladies- Un nom de maladie clair et un code de la CIM couvrant 200 maladies et plus, couvrant toutes les grandes catégories de maladies de la peau, y compris les maladies oncologiques, inflammatoires, infectieuses, génétiques, etc.
2D: Description du type de perte de peau- Le type de peau de base des dommages de la peau, tels que éruptions, roubles, plazas, noeuds, kystes, herpès, gales, gales, gales, ulcères, etc.
3D: Caractérisation des couleurs- Caractéristiques de couleur rouge, rose, brun, noir, bleu, blanc, jaune et leurs motifs de répartition.
4D: étiquette de structure morphologique- les caractéristiques structurelles sous les miroirs de peau, y compris les réseaux de couleurs, les structures de points, les structures sphériques, les rideaux bleus, les structures d'échantillons d'empreintes digitales, etc.
5D: Structure angiologique- Morphologie angulaire, comme les vaisseaux sanguins pointus, les vaisseaux sanguins linéaires, les vaisseaux sanguins ramifiés, les vaisseaux sanguins cardés, etc.
6D: Description des caractéristiques de la limite- Caractéristiques de clarté, degré de régulation, symétrie de la limite cutanée.
7D: Taille— Mesures quantifiées de la perte de peau à longue distance, à courte portée.
8D: Étiquette de partition- Les parties de l'anatomie (tête, cou, torse, membres, pieds, etc.) où la peau est endommagée.
9D: Quantification- Une seule/multiprévalence, gamme quantitative de pathologies multiples.
10D: Étiquette du mode distribution- Répartition dans la distribution, la distribution en grappes, la distribution de bandes, la distribution symétrique, etc.
11D: Période de séquence- Aiguë, subaiguë, chronique, et progrès/stabilisation/dumping.
12D: Modemark- Signes à deux modules pour l'oscillation et l'imprégnation, correspondant à deux modèles d'observation pour les miroirs de peau.
13D: Étiquette de corrélation pathologique• Les résultats du diagnostic de pathologie de l'organisation sont appariés à chaque donnée pour obtenir une précision clinique-pathologique.
14D: Liens d'information clinique- Liens structurés entre les informations cliniques sur l'âge, le sexe, les antécédents, les symptômes, les antécédents du patient.
Ce système d'étiquetage à 14 dimensions rend l'ensemble de données DRM-SKIN non plus simple «étiquettes d'image» mais une base de données structurée avec une connaissance médicale riche. Le modèle d'IA basé sur ces données n'est plus une boîte noire qui «caracterise la maladie» mais qui a une analyse de l'appauvrissement de la peau -- il peut dire «ce que la maladie est marquée», et non pas seulement «ce qu'elle est».
4.3 Standard or pathologique: "Les Journaux de la Mer" pour la peau AI
En dermatologie, les lentilles de peau sont le pont entre la "clinique" et la "pathologie" - le comportement sous les miroirs de peau doit finalement être confirmé par la pathologie tissulaire. Cependant, de nombreux ensembles de données de l'AIS de peau sont marqués sur une base clinique seulement, sans preuve de critères d'or pathologique. Cela conduit à la possibilité que l'IA peut être "apprendre mal" - et si le diagnostic clinique lui-même est inexact, alors l'IA, basé sur cette étiquette, n'est pas non plus exact.
L'ensemble de données DRRM-SKIN présente une caractéristique majeure, soit la norme de pathologie complète, qui comporte chacun le diagnostic de pathologie tissulaire correspondant, ce qui signifie que chaque étiquette de maladie de l'ensemble de données n'est pas une « impression clinique », mais a été testée par la norme d'or.
Pour les maladies de la peau tumorale, la valeur de l'étalon d'or pathologique est évidente – tumeurs noires ou pigments, bénignes ou malignes, et est loin d'être juste. Pour les maladies inflammatoires de la peau, l'étalon d'or pathologique est tout aussi important – de nombreuses maladies cutanées inflammatoires sont cliniquement similaires, et seule la pathologie peut clairement distinguer.
Il est extrêmement difficile d'établir un ensemble de données standard à grande échelle sur la pathologie aurifère – il faut coordonner la peau et la pathologie, positionner avec précision chaque biopsie et s'assurer que les images cliniques et les tranches pathologiques sont exactes. L'entrée et l'insistance de la technologie Longhui à cet égard reflètent la crainte de la qualité des données dans une entreprise médicale d'IA.
4.4 Couverture multimaladies : de « une pause » à « une couverture entièrement spécifique »
L'ensemble de données DEM-SKIN couvre plus de 200 maladies de la peau et couvre les types de maladies les plus courants dans la pratique clinique cutanée, notamment:
Maladies oncologiques de la peau:Magnamas, cancer des cellules basiques, cancer des cellules de la gale, permutation lipidique, pigmentation, fibromes cutanés, angiome, etc.
Maladies inflammatoires de la peau:Des miettes d'argent, des éruptions cutanées, une inflammation cutanée particulière, une inflammation cutanée de contact, une mousse plate, de l'herpès rose, des maladies de la peau rigides, etc.
Maladies cutanées infectieuses:Maladie fongi, limaces virales, herpès, herpès, furnitures, œdème, lèpre, etc.
AutresType：Maladies génétiques de la peau, maladies métaboliques de la peau, maladies chromosomiques de la peau, maladies poilues, amystie, etc.
Cette large gamme de couverture de maladies fait du système d'IA basé sur la formation DRM-SKIN un produit fonctionnel plus unique de « mélanome à l'air rapide » mais un système de diagnostic complet qui couvre la plupart des cliniques dermiques.
4.5 Deux modules + plusieurs équipements : la base pour le renforcement d'une capacité de généralisation
L'ensemble de données DERM-SKIN montre également une appréciation similaire de la diversité des données. Premièrement, il contient des données sur les patrons d'oscillation et d'imprégnation de l'imagerie miroir de peau. Le patron d'oscillation montre la structure du cortex réel (par exemple, vasculaire, colle), tandis que le modèle imprégné (exposition) montre une structure de couleur plus claire pour la couche de peau.
Deuxièmement, l'ensemble de données comprend plusieurs marques, plusieurs modèles d'équipement miroir de peau, y compris des produits des marques principales au pays et à l'étranger. Cette diversité de données entre les équipements fournit une base solide pour les équipements croisés dans le modèle AI. Les modèles basés sur cette formation à la donnée sont plus adaptables dans différents hôpitaux, différents équipements et moins problématiques en termes d'«incompétence de l'eau et du sol».
En outre, l'ensemble de données couvre différents groupes d'âge, sexe, secteur et couleur, assurant ainsi la représentativité de la population. En particulier, la composition de la population, dominée par les Chinois, a une valeur irremplaçable dans le développement d'un système d'IA de la peau adapté aux caractéristiques de la population chinoise – après tout, il y a des différences significatives entre la spectrométrie de la peau occidentale et chinoise.
4.6 Systèmes de contrôle de la qualité: cinq lignes de défense pour assurer la qualité des données
Un million de séries de données, si le contrôle de la qualité n'est pas en place, deviennent un « scaveyard ». Longhuitech a mis en place un système rigoureux de contrôle de la qualité à cinq niveaux pour assurer la qualité de chaque cas:
D'abord : la première projection d'images.Test automatique de qualité des images originales pour éliminer les images inexactes telles que les images vagues, perçoives, mal conçues et autres, afin de garantir que la qualité des images entrant dans le processus d'étiquetage est respectée.
Deuxième cours: contrôle de qualification humaine.Tous les labels sont systématiquement formés dermatologues qui sont strictement qualifiés pour participer aux labels.
Troisième: Double blindmark + examen par des experts.Chaque cas est marqué de façon indépendante par deux dermatologues, et la différence entre les cas est examinée par le médecin adjoint et par un plus grand nombre de spécialistes pour en assurer l'exactitude.
Quatrième cours: Contrôle de qualité du diagnostic pathologique.Deux pathologistes examinent toutes les observations pathologiques de façon indépendante, et des cas difficiles sont renvoyés à des consultations en clinique pour assurer l'exactitude de la norme d'or.
Cinquièmement : Audits périodiques des données.Un échantillon aléatoire de séries de données est effectué tous les trimestres, des équipes d'experts externes évaluant la qualité des données et identifiant les problèmes à améliorer en temps opportun.
V. Scénarios d'application clinique: les cinq gouttes de millions de données permettant des emplacements
Avec un ensemble de données à l'échelle d'un million de fois, comme DEM-SKIN comme base, l'application clinique de l'IA cutanée va s'étendre de façon spectaculaire. Voici les cinq applications les plus précieuses.
Scène un : A.A. A.A.D. - "Les seconds yeux" par le dermatologue.
Le système AIS, basé sur la formation de DEM-SKIN, permet une analyse en temps réel des images miroirs de peau, l'identification automatique des caractéristiques de perte de peau, des recommandations pour le diagnostic de maladie, et l'identification des listes de diagnostic.
Scène 2 : Le dépistage du Blackoma - la "vieline" qui retient la tumeur de la peau.
Le système de dépistage AMA permet un dépistage initial rapide de grandes quantités de lésions cutanées colorées, à partir desquelles des poêles suspects à haut risque sont identifiés et les patients sont recommandés pour un examen plus approfondi. D'après le système de formation aux données de l'IA au niveau DRRM-SKIN en millions, on peut détecter l'AUD à plus de 0,95, une sensibilité de 92 % et un niveau d'expertise idiosyncratique de 85 %.
Scénario III: Classification intellectuelle et génération de descriptions - normalisation du diagnostic et amélioration de l'efficacité
L'écriture traditionnelle de l'histoire de la peau prend du temps et se caractérise différemment. Le système d'IA basé sur la formation de DRM-SKIN 14-D aux données d'étiquetage génère automatiquement des descriptions cutanées structurées, allant du type cutané, de la couleur, de la taille, aux caractéristiques structurelles sous les miroirs de peau et les formes vasculaires. Cela augmente non seulement significativement l'efficacité de l'écriture de l'histoire médicale (une réduction du temps d'un seul dossier médical de 10 minutes à 2 minutes), mais augmente également la standardisation de l'histoire médicale et fournit une base de données de haute qualité pour la recherche clinique ultérieure et le contrôle de la qualité.
Scène IV : Autonomisation de base de la dermatologie - "Le comté n'est pas malade"
Le système AAA peut être une « aide extérieure intelligente » pour la dermatologie de base : fournir des conseils d'expert en diagnostic, fournir des références de programmes pour les traitements recommandés par les lignes directrices, et donner accès à des consultations à distance sur des cas difficiles. Le système AIS basé sur l'ensemble de données DERM-SKIN est particulièrement approprié pour les paysages médicaux chinois, car il couvre 200 pathogènes et est dominé par les données chinoises.
Scénario 5 : consultations à longue portée sur les maladies de la peau - spécialistes de la peau dans le temps et dans l'espace
La télémédecine est un moyen important de remédier au déséquilibre des ressources médicales dermiques, mais les téléconsultations traditionnelles reposent sur le temps et l'énergie des spécialistes et ont une capacité limitée de fournir des services. Le modèle de téléconsultation assistée par l'IA peut accroître considérablement l'efficacité : il fournit d'abord un dépistage et une analyse initiales des images de miroirs de peau téléchargées, et génère une description structurée de la peau-dermique et des recommandations diagnostiques préliminaires, qui sont ensuite examinées et confirmées par des experts.
VI. Avantages sociaux et valeurs de l'industrie: des «biens de données» à la «santé pour tous»
6.1 Amélioration du niveau de diagnostic: augmentation du nombre de patients recevant un diagnostic précis
L'incidence des fautes de la peau n'est pas faible, surtout au niveau primaire, où l'incidence des malfaisances peut atteindre 30 à 40 %.
La généralisation des systèmes de diagnostic assistés par l'AIS peut améliorer considérablement le niveau global de soins.Pour les médecins primaires et les médecins de haut niveau, l'IA fournit des références précieuses – pour les médecins primaires, l'IA est un --enseignant pour les aider à améliorer leurs capacités de diagnostic; pour les spécialistes, l'IA est un --assist--- pour leur rappeler les diagnostics manquants.
6.2 Promouvoir l'équité dans les soins de santé : la baisse des ressources de qualité
Mais la réalité est que les ressources dermiques de qualité sont fortement concentrées dans l'hôpital du Sanctuaire dans les villes de première ligne, et que les patients dans les régions rurales et les comtés ont peu accès à des services dermatologiques de qualité. La technologie de l'IA offre de nouvelles possibilités pour briser ce piège – en codeant la capacité diagnostique des spécialistes de haut niveau comme algorithmes – afin que les patients primaires puissent recevoir des services de diagnostic de niveau spécialisé à leur porte d'entrée.
En ce sens, le système d'IA dermique, soutenu par l'ensemble de données DERM-SKIN, est non seulement un produit technique, mais aussi une « infrastructure numérique » qui favorise l'équité médicale. Derrière les 1 million de cas de haute qualité est une grande valeur sociale qui profite à des dizaines de millions de personnes atteintes de maladies de la peau.
6.3 Amélioration de l'efficacité médicale: libération de la capacité dermatologique
Ce modèle de traitement à rythme rapide affecte à la fois la qualité du traitement et l'épuisement du médecin.
Les aides à l'IA peuvent augmenter l'efficacité des opérations cutanées de plusieurs dimensions : l'IA génère automatiquement une description des lésions cutanées et un diagnostic préliminaire, ce qui réduit le temps nécessaire à la rédaction des dossiers médicaux ; l'APCT, qui permet la classification précoce des patients et optimise le processus de consultation ; et l'AVCT, qui permet aux spécialistes de servir plus de patients.
6.4 Promotion de la modernisation industrielle : construire une écologie de l'innovation en matière d'IA peau
Du point de vue de l'industrie, la valeur de l'ensemble de données DEM-SKIN est beaucoup plus élevée que celle d'une seule entreprise. Il fournit une base de données de haute qualité pour l'ensemble de l'industrie chinoise de l'IA peau, permettant à plus d'équipes d'innovation de s'appuyer sur cette base sans avoir à accumuler des données de zéro.
Dans le même temps, des ensembles de données miroirs de peau de haute qualité et à échelle multi-millionnelle ont également donné à la Chine la recherche sur l'IA peau la ligne de fond de la concurrence internationale.
VII. Prévisibilité des experts: cinq tendances principales en matière d ' IA cutanée au cours des trois à cinq prochaines années
7.1 Tendances I: Les grands modèles deviennent la peau AI 'codage'
Le système d'IA de la peau, basé sur le grand modèle visuel-linguistique, n'est plus une simple taxonomie d'image, mais un « dermatologue d'AI » avec des capacités de diagnostic complètes, une interaction de langage naturel et la capacité de produire des rapports de diagnostic. La généralisation et la migration du modèle plus vaste permettent l'adaptation à une variété de scénarios cliniques - diagnostics assistés, téléconsultations, formation pédagogique et enseignement général des sciences - tous basés sur le même modèle de base.
La compétitivité fondamentale de l'âge du grand modèle est les données. Celui qui a le plus, le meilleur, et les données les plus distinctives, peut former le modèle le plus fort. Les données miroir de peau chinoise de l'échelle de DeRM-Skin de Longway millions seront plus précieux dans l'âge du grand modèle.
7.2 Tendances II: De "diagnostics auxiliaires" à "aide culturelle"
L'IA cutanée actuelle se concentre principalement sur le diagnostic, tandis que l'IA cutanée future couvrira l'ensemble du processus de traitement dermique - de la consultation, examen médical, interprétation auxiliaire d'examen, diagnostic et conseils de traitement, à la gestion de suivi, à la pré-évaluation, et à une chaîne complète de systèmes de soutien de l'IA.
7.3 Tendances III : progrès décisifs dans le domaine des maladies rares AI
Au cours des trois à cinq prochaines années, on s'attend à ce qu'un système d'IA soit disponible pour identifier des centaines de maladies cutanées rares – bien que le taux de précision ne soit pas aussi élevé que celui des experts – mais au moins pour servir d'alarme et d'alerte - pour introduire les maladies rares dans la portée diagnostique de l'identification des médecins, réduisant ainsi de façon significative le taux de fuite.
7.4 Tendances IV: Lignes directrices cliniques sur l'accès aux AI dermique et paiements d'assurance maladie
Au fur et à mesure que les données cliniques s'accumulent, le diagnostic assisté par l'AIA de la peau sera inclus dans les directives cliniques faisant autorité au cours des trois à cinq prochaines années comme aide diagnostique recommandée.
7.5 Tendances V: apparition de l'IA peau de classe de consommateur
Outre l'application de l'installation médicale, l'IA peau de bout consommateur émergera rapidement. Comme la capacité des smartphones à prendre des photos et la quantification légère des algorithmes d'IA s'améliore, l'utilisateur général peut obtenir une première évaluation de la santé de la peau en prenant des photos au téléphone – identifier les problèmes de peau communs, donner des conseils sur les soins et alerter le directeur médical.
VIII. OBSERVATIONS CONCLUDANTES: Un nouveau plan pour la santé de la peau avec des millions de données
Il y a trente ans, lorsque j'ai pénétré dans le champ de dermatologie, le miroir de peau était encore une nouveauté — beaucoup de médecins se méfiaient de lui, pensant: «Quels miroirs de peau de plus sont nécessaires pendant des décennies?» Et aujourd'hui, les miroirs de peau sont un outil indispensable de «spectre» pour les dermatologues.
Aujourd'hui, beaucoup de gens sont traités avec la même attitude envers l'IA de la peau, comme ils l'étaient pour les miroirs de peau il y a 30 ans – suspicieux, observant et croyant. Mais je suis convaincu que l'IA sera un outil qui peut être utilisé par les chirurgiens de peau, comme il l'était dans les miroirs de peau de l'année.
En tant que dermatologue, je m'attends sincèrement à ce que dans un proche avenir chaque dermatologue ait l'IA comme un assistant fort, que chaque patient de peau ait accès à un diagnostic rapide et précis et que les gens de chaque région éloignée aient accès à des soins dermatologiques de qualité.
C'est mon rêve, et c'est le rêve de tous les savants de la peau. Et la voie de ce rêve se fait pas à pas par un ensemble de données de haute qualité, un algorithme innovant, un morceau de produit.
Utilisons les données comme encre, et l'IA comme stylo, pour dessiner un nouveau plan pour la santé de la peau.
À propos de Changsha Langhui Information Technology Co., Ltd.
Chang Shalom Information Technology, un fournisseur de données de l'IA d'image médicale de premier plan et fournisseur de solutions de diagnostic intelligentes dans le pays, se concentre sur la construction de séries de données d'image médicale de haute qualité dans les domaines des endoscopes, miroirs de peau et algorithmes d'IA. L'équipe centrale de la société, composée de spécialistes médicaux chevronnés, de data scientists et d'ingénieurs de l'IA, a construit une matrice multidisciplinaire de données d'image médicale couvrant les digestifs, la gynécologie, la dermatologie, etc., avec un total de plus de 1,5 million de cas, desservant des dizaines d'hôpitaux, d'institutions scientifiques et d'entreprises d'IA dans le pays.