基于大數(shù)據(jù)的影像分析模型的設(shè)計(jì)

摘要：關(guān)于皮膚領(lǐng)域的大數(shù)據(jù)可以從不同維度獲取，如疾病維度、病人維度、數(shù)據(jù)維度等，根據(jù)皮膚影像分析所需要的大數(shù)據(jù)維度，進(jìn)行關(guān)于皮膚影像分析模型的設(shè)計(jì)。采用深度學(xué)習(xí)方法，對(duì)皮膚影像進(jìn)行分類，根據(jù)皮膚影像對(duì)各類皮膚病診斷的優(yōu)勢(shì)，為皮膚科醫(yī)生提供量化的診斷依據(jù)，從而完成對(duì)皮損類別的預(yù)測(cè)，幫助皮膚科醫(yī)生對(duì)病人病情進(jìn)行準(zhǔn)確分析和判斷。

關(guān)鍵詞：大數(shù)據(jù);皮膚影像;模型;設(shè)計(jì)

中圖分類號(hào)：R751;TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2022）07-0170-05

Design of skin image analysis model based on big data

GAO Xi

（1.Dermatology， University-Town Hospital of Chongqing Medical University， Chongqing 401331， China;

2.Medical Data Science Academy of Chongqing Medical University，Chongqing 400010，China）

Abstract：Big data in the skin field can be obtained from different dimensions， such as disease dimensions， patient dimensions， data dimensions， etc. According to the big data dimensions required for skin image analysis， the design of the skin image analysis model is carried out. Using deep learning methods to classify skin images and according to the advantages of skin images in the diagnosis of various skin diseases， we could provide dermatologists with a quantitative diagnosis basis， thereby completing the prediction of skin lesions， and helping dermatologists to diagnose the patients condition with accurate analysis and judgment.

Key words：big data; skin image; model; design

基于醫(yī)學(xué)經(jīng)驗(yàn)的模型與基于數(shù)據(jù)驅(qū)動(dòng)的模型同屬于皮膚影像分析模型的策略。在皮膚影像分析模型中，對(duì)于疾病預(yù)測(cè)所使用的風(fēng)險(xiǎn)因素，需要由經(jīng)驗(yàn)豐富的領(lǐng)域?qū)＜姨峁1]。通過醫(yī)生提供的關(guān)于皮膚病的風(fēng)險(xiǎn)因素，建立風(fēng)險(xiǎn)預(yù)測(cè)模型，從而預(yù)測(cè)皮膚病發(fā)病的概率。基于數(shù)據(jù)驅(qū)動(dòng)的模型，使用現(xiàn)有的數(shù)據(jù)，通過機(jī)器學(xué)習(xí)的方式獲取預(yù)測(cè)風(fēng)險(xiǎn)值，并對(duì)所有可能存在的風(fēng)險(xiǎn)因素建立數(shù)據(jù)驅(qū)動(dòng)模型，從而實(shí)現(xiàn)對(duì)疾病的準(zhǔn)確判斷[2]。在本次研究的基于大數(shù)據(jù)的皮膚影像分析模型設(shè)計(jì)中，依靠近年來廣受關(guān)注的人工智能技術(shù)，以數(shù)據(jù)驅(qū)動(dòng)方法為核心，從大數(shù)據(jù)層面，概括關(guān)于皮膚影像分析所需要的研究?jī)?nèi)容，并將皮膚影像數(shù)據(jù)進(jìn)行存儲(chǔ)，為皮膚科醫(yī)生的診斷提供數(shù)據(jù)支撐。

1基于大數(shù)據(jù)的皮膚影像分析

1.1以病人為中心

以病人為中心的數(shù)據(jù)組織方式分為以下幾種類別：（1）病歷：病人的就診信息、過往病史、過敏史以及現(xiàn)在的病情史;（2）影像：皮膚超聲、皮膚CT、皮膚病理;（3）連續(xù)數(shù)據(jù)：病人數(shù)據(jù)跟蹤;（4）數(shù)據(jù)整合：同一病人不同時(shí)間段的數(shù)據(jù);（5）數(shù)據(jù)檢索：根據(jù)病人的個(gè)人情況進(jìn)行數(shù)據(jù)檢索[3]。

1.2以疾病為中心

表示針對(duì)特定的疾病研究而設(shè)定的一種數(shù)據(jù)組織形式，通過整理典型病例，按照亞型分布組織或者3間分布組織的形式展開對(duì)典型病理的研究[4]。

皮膚影像中，攝影和圖片分辨率高，病理多;因此對(duì)于數(shù)據(jù)量的要求也非常高，醫(yī)院在數(shù)據(jù)存儲(chǔ)空間方面要以5T起步。從大數(shù)據(jù)的深度學(xué)習(xí)進(jìn)行分析，ImageNet貓和狗的鑒別模型品種多達(dá)1 000多種，一般的醫(yī)療影像所使用的模型，如果要得到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，則需要的皮膚影像也高達(dá)106級(jí);如果按照皮膚病種進(jìn)行計(jì)算，病人的病歷圖片需要500張以上;如果按照手寫體進(jìn)行識(shí)別，其數(shù)據(jù)量也高達(dá)106級(jí)，可以獲取較好的識(shí)別效果。因此，如果皮膚影像的數(shù)據(jù)量高達(dá)上百萬，且數(shù)據(jù)均衡，則可以獲得較好的分類識(shí)別效果[5]。

2皮膚影像分類

2.1數(shù)據(jù)集

在深度學(xué)習(xí)中，大量的樣本學(xué)習(xí)十分重要，如果沒有充足的訓(xùn)練數(shù)據(jù)基礎(chǔ)，則卷積神經(jīng)網(wǎng)絡(luò)無法獲取準(zhǔn)確的樣本特征，從而陷入困境中。因此，為了讓卷積神經(jīng)網(wǎng)絡(luò)可以具備較好的泛化功能，需要為卷積神經(jīng)網(wǎng)絡(luò)提供足夠多的訓(xùn)練樣本[6]。通過構(gòu)建皮膚影像數(shù)據(jù)庫得到海量的圖像，該數(shù)據(jù)庫不僅空間大，而且各類的標(biāo)簽信息非常完整，疾病種類精細(xì)。在龐大的數(shù)據(jù)庫中，精細(xì)的標(biāo)簽信息為卷積神經(jīng)網(wǎng)絡(luò)提供了強(qiáng)大的支撐力。在ISIC皮膚病的數(shù)據(jù)庫中，或者是一些其他的皮膚病數(shù)據(jù)庫中，數(shù)據(jù)都被進(jìn)行精細(xì)分類。在數(shù)據(jù)的準(zhǔn)備階段，一種稱為PA的自動(dòng)遞歸算法得到了應(yīng)用，將上千種的皮膚病按照特定的圖像進(jìn)行展示，如圖1所示。每一個(gè)類型中所包含的數(shù)量值控制在1 000幅以內(nèi)，在保證精細(xì)度的同時(shí)也會(huì)為其提供充足的數(shù)據(jù)基礎(chǔ)，從而更加有利于深度學(xué)習(xí)。在圖1的結(jié)構(gòu)中，分為Ⅰ、Ⅱ 級(jí)兩大類，每一等級(jí)都對(duì)應(yīng)了具體的皮膚病[7]。

在以往的研究中，主要針對(duì)皮膚鏡圖像進(jìn)行分類，或者是對(duì)組織學(xué)圖像進(jìn)行分類，這2種圖像類型均屬于高標(biāo)準(zhǔn)化的圖像[8]。在構(gòu)建的數(shù)據(jù)庫中，涵蓋的圖像非常多，在尺寸、角度以及光照方面都存在一定弊端，給分類帶來困難。傳統(tǒng)的識(shí)別方式無法處理關(guān)于臨床圖像的分類問題，因此研究了一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法，將皮損分類進(jìn)行精度劃分[9]。

2.2分類框架

在分析了數(shù)據(jù)集的構(gòu)建之后，在深度學(xué)習(xí)的基礎(chǔ)上對(duì)圖像進(jìn)行分類，完成分類網(wǎng)絡(luò)的搭建，這種方式對(duì)于分類精度具有較好效果[10]。利用GoogLeNet Inception-v3進(jìn)行分類網(wǎng)絡(luò)，得到如圖2的網(wǎng)絡(luò)結(jié)構(gòu)。

GoogLeNet Inception-v3分類性能較好，是卷積神經(jīng)網(wǎng)絡(luò)模型中分類性能最好的一種模型之一，通過ImageNet數(shù)據(jù)庫中上百萬幅的圖像合成，其數(shù)據(jù)抽象能力和特征提取能力較好[11]。在遷移學(xué)習(xí)技術(shù)的基礎(chǔ)上，利用訓(xùn)練好的網(wǎng)絡(luò)參數(shù)，在數(shù)據(jù)庫中尋找更高的訓(xùn)練精度，遷移學(xué)習(xí)的目的是將場(chǎng)景中學(xué)到的知識(shí)應(yīng)用到新的應(yīng)用場(chǎng)景中，從而幫助新的應(yīng)用場(chǎng)景完成學(xué)習(xí)任務(wù)[12]。利用遷移學(xué)習(xí)技術(shù)，讓100多萬幅的皮損圖像在GoogLeNet Inception-v3網(wǎng)絡(luò)中進(jìn)行參數(shù)調(diào)整，從而獲取更好的基于皮損分類的卷積神經(jīng)網(wǎng)絡(luò)模型。

通過對(duì)皮損圖像進(jìn)行分類實(shí)驗(yàn)，在訓(xùn)練網(wǎng)絡(luò)中對(duì)數(shù)據(jù)集進(jìn)行劃分，其中訓(xùn)練集和驗(yàn)證集的圖像有10萬幅以上，測(cè)試集的圖像有將近2 000幅，對(duì)所有的測(cè)試集圖像進(jìn)行驗(yàn)證，獲取的實(shí)驗(yàn)結(jié)果更具有科學(xué)依據(jù)和說服價(jià)值。在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，需要讓訓(xùn)練的數(shù)據(jù)標(biāo)簽類別與目標(biāo)類別保持一致，將皮損的圖像劃分為Ⅲ類或者9類，選擇任意一種類別對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用細(xì)粒度的標(biāo)簽信息解決此類問題。通過分類樹形結(jié)構(gòu)圖，完成推理類，讓每一種推理類都可以獲取對(duì)應(yīng)的節(jié)點(diǎn)。對(duì)于輸入圖像而言，如果圖像屬于訓(xùn)練類別中任意一類，則需要獲取該圖像的推理概率;如果子類也屬于推理類，可以使用迭代算法進(jìn)行問題解決[13]。

2.3分類性能

為了充分發(fā)揮出細(xì)粒度標(biāo)簽的優(yōu)勢(shì)，得到一種CNN-PA的算法，將CNN-PA的分類結(jié)果與卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果進(jìn)行對(duì)比，根據(jù)對(duì)比結(jié)果，得到在不同的分類任務(wù)上，所獲取的精度有較大差異。CNN-PA擁有較強(qiáng)的分類能力，該網(wǎng)絡(luò)在很多的分類任務(wù)上都展示出了較強(qiáng)的準(zhǔn)確率。為了證明CNN-PA的分類能力，在細(xì)粒度的分類任務(wù)中，區(qū)分角質(zhì)形成的細(xì)胞癌與脂溢性角化病，然后將網(wǎng)絡(luò)的分類性能與皮膚科醫(yī)生進(jìn)行比較，根據(jù)比較結(jié)果，針對(duì)每一項(xiàng)任務(wù)，有超過90%以上的醫(yī)生，其分類敏感性和特異性均不如卷積神經(jīng)網(wǎng)絡(luò)的分類性能，說明卷積神經(jīng)網(wǎng)絡(luò)中的分類任務(wù)準(zhǔn)確率已經(jīng)大大超過了專業(yè)的皮膚科醫(yī)生[14]。

皮膚科醫(yī)生在臨床診斷中，需要考慮到患者的皮損特征、年齡以及其他病理等各種信息;而當(dāng)前所講述的方法，只需要通過皮膚鏡圖像和臨床圖像即可獲取患者的病歷。在皮膚影像中，除了需要進(jìn)行皮膚鏡和臨床圖像之外，還需要進(jìn)行共聚焦激光掃描、皮膚超聲、皮膚成像、皮膚組織病理圖像等，根據(jù)不同的成像方式，可以獲取患者不同維度皮膚病變影像。對(duì)于一些模糊病變，臨床醫(yī)生通常會(huì)選擇采用皮膚影像綜合分析的方式獲取更加準(zhǔn)確的皮膚診斷。隨著人工智能技術(shù)的不斷發(fā)展，皮膚影像數(shù)據(jù)與患者的個(gè)人信息有了一個(gè)高度的結(jié)合，利用深度學(xué)習(xí)的方法，對(duì)多源、多維度進(jìn)行融合，從而獲取到了更加準(zhǔn)確的自動(dòng)分類結(jié)果，幫助臨床醫(yī)生進(jìn)行更加準(zhǔn)確的皮膚診斷，從而為患者提供更加優(yōu)質(zhì)的治療[15]。

3皮膚影像分析模型設(shè)計(jì)

3.1提取面部區(qū)域

3.2模型建立

為了更加準(zhǔn)確的進(jìn)行事物描述，可以將事物進(jìn)行分解，得到基于高斯概率的密度函數(shù)，簡(jiǎn)稱為高斯模型。根據(jù)得到的面部數(shù)據(jù)像素進(jìn)行膚色的數(shù)據(jù)篩選，根據(jù)數(shù)據(jù)得到對(duì)應(yīng)的高斯模型，從而達(dá)到檢測(cè)膚色區(qū)域的目的[16]。經(jīng)過轉(zhuǎn)換后的圖像，每一個(gè)像素點(diǎn)都有一定的相似度，可以根據(jù)該像素點(diǎn)進(jìn)行概率計(jì)算：

3.3策略分析

3.3.1分割

深度全卷積反卷積神經(jīng)網(wǎng)絡(luò)的原理，首先要提取特征，通過反卷積得到的特征圖作為輸入條件，進(jìn)行反卷積后得到結(jié)果，以驗(yàn)證不同層之間所提取到的結(jié)果。如果想要查看“conv5”提取的內(nèi)容，需要將一種“13×13”的特征圖進(jìn)行放大，然后進(jìn)行反卷積，得到一張與初始圖片相同的內(nèi)容，從而實(shí)現(xiàn)圖像分割，這種方式在皮膚的圖像分割中受到的應(yīng)用最多[17]。

全卷積神經(jīng)網(wǎng)絡(luò)作為最常用的一種分割網(wǎng)絡(luò)，與卷積神經(jīng)網(wǎng)絡(luò)最大的區(qū)別就是將末層的模式進(jìn)行了替換，使用反卷積層對(duì)卷積層進(jìn)行采樣后，得到一張與輸入圖像大小的圖片，并對(duì)圖像中所產(chǎn)生的像素進(jìn)行了預(yù)測(cè)，且保留了原始圖像所含有的信息，最后通過逐像素分類實(shí)現(xiàn)圖像分割。

U-Net網(wǎng)絡(luò)在細(xì)胞分割上具有顯著效果，作為全卷積神經(jīng)網(wǎng)絡(luò)的延伸，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)呈“U型”;與全卷積神經(jīng)網(wǎng)絡(luò)相比，U-Net在采樣階段有較大的改動(dòng)，上采樣層的特征較多，且網(wǎng)絡(luò)處于斷續(xù)的狀態(tài)，只有通過卷積和下采樣才可以獲取一幅完整的圖像。在醫(yī)學(xué)圖像的分割上，僅次于深度全卷積反卷積神經(jīng)網(wǎng)絡(luò)。

3.3.2特征提取

VGG-16也屬于一種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，是在視覺幾何組的開發(fā)下得到的一種網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)運(yùn)用超級(jí)像素，將像素級(jí)的圖像劃分成區(qū)域級(jí)的圖像。圖像是由顏色、亮度以及紋理構(gòu)成的像素點(diǎn)，每一個(gè)區(qū)域的內(nèi)部之間都具備了很強(qiáng)的整體性特征。該結(jié)構(gòu)可以將超級(jí)像素與皮損的特征進(jìn)行連接，通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，獲取皮膚特征的信息。

3.3.3分類

在卷積神經(jīng)網(wǎng)絡(luò)中，皮膚病分類是最常見的一個(gè)領(lǐng)域，常見的結(jié)構(gòu)包含上述的VGG、AlexNet、ResNet;網(wǎng)絡(luò)算法有VGG-VDD、ResNet等，算法以深度卷積神經(jīng)網(wǎng)絡(luò)為核心。在卷積神經(jīng)網(wǎng)絡(luò)中，圖像作為最底層的輸入形式，需要將信息傳輸?shù)讲煌膶又校恳粚油ㄟ^數(shù)字濾波器獲取數(shù)據(jù)特征。此方式可以獲取圖像的觀測(cè)數(shù)據(jù)，如平移、縮放和旋轉(zhuǎn)，根據(jù)圖像的局部神經(jīng)元，訪問圖像的特征。此外，皮膚影像數(shù)據(jù)分析要與患者的數(shù)據(jù)進(jìn)行結(jié)合，然后對(duì)其進(jìn)行邏輯推理，從而獲取準(zhǔn)確的結(jié)果。

4計(jì)算平臺(tái)研究

面對(duì)數(shù)百萬病例，需要海量的存儲(chǔ)空間以及關(guān)系數(shù)據(jù)庫與分布式存儲(chǔ)相結(jié)合的方式，主要存儲(chǔ)病例的病歷信息和圖片。在兩者結(jié)合的數(shù)據(jù)基礎(chǔ)上，集成數(shù)據(jù)分析決策平臺(tái)，對(duì)圖像處理、搜索、標(biāo)注以及深度學(xué)習(xí)。在皮膚中常見的圖形圖像分析功能，主要對(duì)幾何參數(shù)進(jìn)行測(cè)量，如面積、直線、曲線以及周長(zhǎng)等。在基于深度學(xué)習(xí)的GPU計(jì)算平臺(tái)中，相比于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，在結(jié)構(gòu)上和數(shù)量上更加復(fù)雜，需要更多層的計(jì)算。基于CPU的計(jì)算平臺(tái)，時(shí)間消耗大;而基于GPU的計(jì)算平臺(tái)，其計(jì)算能力比CPU快10倍。GPU計(jì)算平臺(tái)針對(duì)復(fù)雜的深度學(xué)習(xí)模型更具有優(yōu)勢(shì)，搭建GPU計(jì)算平臺(tái)，可以提高皮膚病預(yù)測(cè)模型的訓(xùn)練。

可以實(shí)現(xiàn)上述影像分析算法的主流計(jì)算框架有Theano、Torch、TensorFlow、Caffe以及CNTK等5種方式。其中，Theano作為深度學(xué)習(xí)開源的鼻祖，在學(xué)術(shù)界和工業(yè)界都具有較強(qiáng)的影響力;出于性能，使用Torch作為開發(fā)語言，可以在音頻、圖像以及視頻方面起到較強(qiáng)的作用;TensorFlow作為一種深度學(xué)習(xí)工具，以“C++”為開發(fā)語言，是推動(dòng)深度學(xué)習(xí)如此繁榮的一個(gè)重要助力。以上作為深度學(xué)習(xí)框架，在皮膚影像上基本可以滿足其使用，但是隨著數(shù)據(jù)量的不斷增加，最好使用分布式深度學(xué)習(xí)框架進(jìn)行數(shù)據(jù)皮膚影像分析，對(duì)于分布式開源深度學(xué)習(xí)框架，可以使用模型并行化和數(shù)據(jù)并行化兩種思路進(jìn)行深入研究。在分布式深度學(xué)習(xí)方面，最重要的一個(gè)特征就是數(shù)據(jù)隨時(shí)更新和使用。因此在未來的發(fā)展中，還是以實(shí)時(shí)在線、模型可更新算法為主，實(shí)現(xiàn)皮膚影像數(shù)據(jù)的在線獲取，以幫助皮膚科醫(yī)生進(jìn)行準(zhǔn)確診斷和分析。

5結(jié)語

基于大數(shù)據(jù)的皮膚影像分析模型，在不同的分析策略之下，構(gòu)建了分布式存儲(chǔ)系統(tǒng)，實(shí)現(xiàn)了皮膚影像數(shù)據(jù)的在線存儲(chǔ)以及關(guān)系型數(shù)據(jù)庫與分布式數(shù)據(jù)庫的有效融合，以T級(jí)為存儲(chǔ)單位，讓上百萬的病例可以檢索更加方便快捷，更有利于進(jìn)行圖像的處理和標(biāo)注。借助計(jì)算平臺(tái)進(jìn)行分布式在線深度學(xué)習(xí)，實(shí)現(xiàn)數(shù)據(jù)的快速存儲(chǔ)以及計(jì)算，通過與多終端業(yè)務(wù)的系統(tǒng)結(jié)合，支持科研人員以及醫(yī)務(wù)人員開展相應(yīng)業(yè)務(wù)，實(shí)現(xiàn)模型訓(xùn)練、驗(yàn)證、上線的一個(gè)閉環(huán)業(yè)務(wù)流程。深度學(xué)習(xí)作為一種數(shù)據(jù)驅(qū)動(dòng)技術(shù)，在同一分類網(wǎng)絡(luò)下可以為其提供不同種類的訓(xùn)練樣本，從而實(shí)現(xiàn)不同分類的任務(wù)操作。為臨床醫(yī)生提供更加準(zhǔn)確和充足的訓(xùn)練圖像數(shù)據(jù)，深度學(xué)習(xí)與皮膚病領(lǐng)域的結(jié)合，對(duì)臨床的診斷產(chǎn)生了十分深遠(yuǎn)的影響。

【參考文獻(xiàn)】

[1]馬維民.基于大數(shù)據(jù)的皮膚影像分析策略[J].中國(guó)醫(yī)學(xué)文摘（皮膚科學(xué)），2018，35（2）：238-241.

[2]王詩琪，劉潔.深度學(xué)習(xí)輔助皮膚影像自動(dòng)分類的研究進(jìn)展[J].中華皮膚科雜志，2020，53（12）：1 037-1 040.

[3]周航寧，謝鳳英，姜志國(guó)，等.基于深度學(xué)習(xí)的皮膚影像分類[J].協(xié)和醫(yī)學(xué)雜志，2018，9（1）：15-18.

[4]何玉林，尹劍飛，黃哲學(xué).基于統(tǒng)計(jì)感知的大數(shù)據(jù)處理與分析課程設(shè)計(jì)研究[J].現(xiàn)代計(jì)算機(jī)，2021（17）：158-161.

[5]劉棟，王黎峰，張懷鋒.基于大數(shù)據(jù)的統(tǒng)計(jì)分析模型設(shè)計(jì)[J].軟件導(dǎo)刊，2016，15（7）：28-29.

[6]趙丹.基于大數(shù)據(jù)分析的運(yùn)動(dòng)損傷估計(jì)模型設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2017，40（17）：101-104.

[7]田方.低空攝影測(cè)量遙感影像特征點(diǎn)提取算法研究[J].粘接，2020，44（10）：82-86.

[8]羅琪.以深度學(xué)習(xí)方法為載體的醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法分析[J].粘接，2020，44（12）：132-135.

[9]高西.深度學(xué)習(xí)技術(shù)在皮膚影像自動(dòng)分類中的應(yīng)用[J].粘接，2021，48（11）：98-101.

[10]楊聚加，段然，吳亞光，等.數(shù)據(jù)分類算法智慧診療模型在皮膚痤瘡診斷中的研究與應(yīng)用[J].重慶醫(yī)學(xué)，2022，51（3）：507-511.

[11]李承旭.基于皮膚影像的皮膚病輔助決策系統(tǒng)：調(diào)查、創(chuàng)研與應(yīng)用[D].北京：北京協(xié)和醫(yī)學(xué)院，2021.

[12]王詩琪，劉潔.深度學(xué)習(xí)輔助皮膚影像自動(dòng)分類的研究進(jìn)展[J].中華皮膚科雜志，2020，53（12）：1 037-1 040.

[13]巴偉.基于深度學(xué)習(xí)算法的黑素細(xì)胞腫瘤病理圖像鑒別診斷研究[D].北京：中國(guó)人民解放軍醫(yī)學(xué)院，2019.

[14]劉念，陳宏翔.人工智能在皮膚科領(lǐng)域的應(yīng)用與發(fā)展[J].中華皮膚科雜志，2019（1）：63-66.

[15]謝俊祥，張琳.人工智能在皮膚病診斷中的應(yīng)用[J].中國(guó)醫(yī)療器械信息，2018，24（17）：26-28.

[16]馬維民.基于大數(shù)據(jù)的皮膚影像分析策略[J].皮膚科學(xué)通報(bào)，2018，35（2）：238-241.

[17]常江.互聯(lián)網(wǎng)平臺(tái)在皮膚影像生態(tài)中的價(jià)值[J].皮膚科學(xué)通報(bào)，2018，35（2）：242-246.