百度 党中央提出的宪法部分内容修改建议，需经全国人大常委会审议提出修正案后，在即将召开的第十三届全国人民代表大会第一次会议上，由全国人民代表大会的三分之二以上的代表表决通过后，方可生效实施。
寻常型银屑病，也称为牛皮癣，是一种常见的慢性炎症性皮肤病，其特征在于皮肤上出现红色斑块，上面覆盖着银白色鳞屑。由于其病程较长，往往需要患者进行长期的疾病管理，因此如何在基层提供可行、低成本的诊断和治疗方案就显得尤为重要。
在信息科技和人工智能技术迅猛发展的当下，深度学习技术已经被广泛应用于图像识别领域，包括医学影像的分析和诊断。深度学习中的卷积神经网络（Convolutional Neural Network, CNN）是处理图像识别问题的一个重要工具，它能够从大量的数据中自动提取特征并用于图像分类任务。
本文研究了基于深度学习的寻常型银屑病智能诊断方法，目的是探索一种不依赖于传统皮损分割技术的皮肤病智能诊断系统，以减少标注和算法适配所需的时间，提高智能诊断系统的开发效率。
研究者使用了来自北京中医医院皮肤科的830例寻常型银屑病患者共计13409张皮损病历照片，这些照片记录了患者在不同阶段的皮肤病变情况。基于这些数据集，研究者训练了两个深度学习模型，以研究是否进行皮损分割对智能诊断的影响。
第一个模型使用了已经进行了皮损分割的数据集。皮损分割是指在图像中识别并标记出病变区域的过程。第二个模型则跳过皮损分割步骤，直接对整个皮肤图像进行识别。通过比较这两种方法的准确率和AUC（Area Under the Curve，即曲线下的面积，通常用来评估分类模型的性能）值，研究者得出了是否进行皮损分割在诊断效率和准确性上的差异。
测试结果显示，第一个模型的准确率为82.21%，AUC值为0.94，而第二个模型的准确率达到了84.792%，AUC值为0.91。这表明，不进行皮损分割直接对整个皮肤图像进行识别也能够取得良好的诊断效果，且该方法在节省了大量标注和算法适配时间的同时，也能够提供快速和有效的诊断。
研究者提到，深度学习技术的快速发展，尤其是卷积神经网络的应用，为医学影像的自动化分析提供了新的技术手段。在本研究中，深度学习模型通过大量皮肤病变图像的学习，能够识别出寻常型银屑病的特征，并且在不需要皮损分割的情况下，依然能够达到较高的诊断准确性。
基于此研究成果，未来可以进一步提升皮肤病智能诊断系统的开发效率，优化诊断流程，提高基层医疗的诊断能力，并最终帮助寻常型银屑病患者获得更高效、更低成本的医疗服务。
值得注意的是，研究中提及的项目支持信息显示了该研究得到了国家重点研发计划项目、全国中医学术流派传承工作室建设项目以及北京中医药科技发展资金项目的资助，表明该研究得到了国家和地方的高度重视。
此外，本文还揭示了人工智能在医学领域应用的潜在价值，并为其他类型的皮肤病智能诊断提供了参考和借鉴。随着深度学习技术的持续进步，未来在医学诊断、疾病预测、药物开发等领域的应用前景将十分广阔。
