谭 鸿，巴 伟，李承新

传统的医疗模式需要医生一对一的诊治患者，不仅耗费大量的人力物力，且无法满足日益增长的医疗服务需求。而随着大数据时代的到来和计算能力与云储存能力的显著增强，人工智能（artificial intelligence，AI）的发展，特别是深度学习（deep learning，DL）技术的进步使得通过智能诊断系统实现辅助诊治成为可能。本文将通过分析深度学习的应用原理及在皮肤图像分类中的最新进展，探讨深度学习应用于皮肤病分类识别的优点与不足。

1 深度学习用于图像分类的原理

深度学习最早由Hinton等[1]在2006年提出，通过模仿人类神经网络来对图像、声音、文本等数据进行解释。深度学习是一种具有多层表征的表征学习方法，通过组合简单但非线性的模块来获得分类特征，每个模块将一个级别的表征（从原始信号输入开始）转换为一个更高级别、更抽象的表征，最后通过综合多个高级特征来输出结果。与传统的机器学习需要人为提取特征不同，深度学习的关键是这些特征是深度学习算法自动分析及提取的。

深度学习是一个框架，包含多个重要算法：卷积神经网络（convolutional neural networks，CNN）、稀疏编码（sparse coding）、限制波尔兹曼机（restricted boltzmann machine，RBM）、自动编码器（autoencoder）、深信度网络（deep belief networks，DBN）、多层反馈循环神经网络（recurrent neural network，RNN）。不同的算法适用于处理不同的数据类型（图像、声音、文本）。CNN最早由LeCun提出并应用在手写字体识别上（图1）[2,3]，适用于图像识别与图像分类。2012年，CNN在ImageNet（世界上最大的图像识别数据库）大赛上夺冠，表现出强大的图像识别能力。CNN也包含多种模型，如AlexNet、VGG、GoogleNet、ResNet等，均已被证实在图像识别和分类中有着良好表现[4-8]。……