精准度揭晓：由消费者级人工智能驱动的应用程序在初级医疗环境中识别皮肤状况的诊断性能

《Journal of the Egyptian Women's Dermatologic Society》：Precision revealed: diagnostic performance by consumer artificial intelligence powered app in recognizing skin conditions in primary care settings

Google Lens在皮肤疾病诊断中的准确性研究显示，其首项建议准确率为53.7%，前三项达71.3%，低于医生诊断但具辅助价值。

　　近年来，人工智能（AI）技术在医疗领域的应用日益广泛，尤其是在皮肤病诊断方面取得了显著进展。随着AI技术的不断成熟，越来越多的工具被开发出来，用于辅助医生进行皮肤病变的识别与诊断。其中，Google Lens作为一种基于图像识别的AI应用，因其便捷性和强大的图像分析能力，成为医疗领域备受关注的工具之一。本研究旨在评估Google Lens在基层医疗环境中对皮肤病的诊断准确性，分析其在实际应用中的优势与局限，并探讨其对临床实践的潜在影响。

皮肤疾病是家庭医生在日常诊疗中常见的问题之一，占其接诊病例的12%以上。因此，提高皮肤疾病的诊断效率和准确性对于改善患者管理、优化医疗资源分配具有重要意义。传统上，皮肤病的诊断依赖于医生的经验和肉眼观察，而随着AI技术的发展，图像识别工具能够提供更快速、更精准的辅助诊断。这类工具通常通过深度学习算法对皮肤病变图像进行分析，识别其特征，并结合已有的医学数据库给出可能的诊断结果。这种技术的应用，不仅提高了诊断的速度，也在一定程度上降低了误诊率，尤其是在非专科医生的辅助下，AI工具的诊断效果得到了显著提升。

Google Lens作为一种图像识别工具，其核心功能是基于神经网络模型对图像进行分析，并根据已有的数据集提供相关信息。在皮肤病诊断方面，Google Lens能够识别皮肤病变的图像，并给出可能的诊断建议。这种功能为家庭医生和基层医疗工作者提供了新的辅助手段，尤其是在缺乏专业皮肤科资源的地区，AI工具可以作为一种有效的补充。然而，尽管AI在医疗领域的应用前景广阔，但其在实际应用中仍面临诸多挑战，尤其是在诊断准确性方面。因此，本研究通过实际案例，评估Google Lens在皮肤疾病诊断中的表现，并与家庭医生的诊断进行比较，以探索其在临床中的应用价值。

本研究共纳入136名首次就诊的成年患者，这些患者在家庭医学和皮肤科门诊接受皮肤疾病的诊断。研究采用前瞻性观察性诊断准确性研究设计，通过对比Google Lens提供的诊断建议与皮肤科医生和家庭医生的临床诊断，评估AI工具在皮肤病诊断中的表现。所有图像均由家庭医学住院医师使用12MP或更高像素的智能手机相机拍摄，并在良好照明条件下进行。对于面部病变，拍摄时进行了去标识处理，以确保患者隐私。此外，研究还纳入了20名无皮肤病变的健康人群，用于测试Google Lens对正常皮肤的识别能力。

研究结果显示，Google Lens在识别皮肤病变方面表现出一定的准确性，但与家庭医生的诊断结果相比仍有差距。具体而言，当仅考虑Google Lens提供的第一个诊断选项时，其诊断准确率为53.7%（95%置信区间：45.2–62.2），而当考虑前三个诊断选项时，准确率提高至71.3%（95%置信区间：66.6–79.1）。相比之下，家庭医生的诊断准确率达到了93.9%（95%置信区间：89.5–98.4），显示出其在实际诊疗中的可靠性。值得注意的是，在健康皮肤的识别方面，Google Lens未能正确分类任何一位无皮肤病变的患者，这表明该工具在区分正常皮肤与病变皮肤方面存在一定的局限性。

从研究样本的构成来看，大部分参与者为女性（61.7%），且病变多为局部性（80.9%）。最常见的拍摄部位为手部（20.9%）、背部（17.4%）和面部（11.3%）。皮肤病的种类也较为多样，包括痤疮、癣、湿疹、真菌感染、病毒性感染、色素性病变、炎症性皮肤病等。其中，湿疹是最常见的诊断，占14%，其次是花斑癣（8.1%）和痤疮（7.4%）。其余诊断则涵盖较少的病例，如药物疹、神经性皮炎、毛发疾病、皮肤疣等。

研究进一步指出，Google Lens的诊断准确率虽不及家庭医生，但其在某些特定情况下仍具有辅助价值。例如，在基层医疗环境中，家庭医生可能缺乏对复杂皮肤病的充分经验，而Google Lens提供的诊断建议可以作为其初步判断的参考。此外，AI工具的使用还能帮助医生减少不必要的转诊，提高患者管理的效率。然而，由于Google Lens并未针对皮肤病进行专门优化，其诊断准确率仍然受到图像质量、病变特征复杂性以及数据训练范围等因素的影响。因此，在实际应用中，医生仍需结合临床经验对AI提供的诊断结果进行综合判断。

与其他AI皮肤病诊断工具相比，Google Lens的表现相对有限。例如，Tibot是一款专门用于皮肤病诊断的AI应用，在一项针对398名患者的单中心研究中，其诊断准确率达到了85.2%（前三个诊断选项）和60.7%（精确诊断）。而在另一项针对600名患者的横断面研究中，Tibot的诊断准确率进一步提升至96.1%（前三个诊断选项）和80.6%（精确诊断）。相比之下，Google Lens在本研究中的表现略逊一筹，这可能与其最初设计目的不同有关。Google Lens主要面向信息查询和患者教育，而非专门用于医学诊断。因此，其在皮肤病变识别方面的性能可能不如专门设计的AI工具。

尽管如此，Google Lens在某些特定情况下仍展现出其独特的优势。例如，它能够快速提供诊断建议，帮助医生初步判断皮肤病变的性质，从而为后续的进一步检查或转诊提供依据。此外，该工具的使用门槛较低，无需专业培训即可操作，这使得它在基层医疗环境中具有一定的普及潜力。然而，研究也指出，Google Lens在某些罕见或复杂的皮肤病诊断中可能存在不足。例如，有文献报道该工具被用于识别自伤性皮肤病（如皮肤划痕症），但这类疾病在AI诊断中较为罕见，因此需要更多的临床数据支持其准确性。

研究还提到，AI在皮肤病诊断中的应用虽然展现出一定的前景，但其准确性仍需进一步验证。目前，已有研究表明AI辅助诊断能够显著提高皮肤癌的识别率，使临床医生的敏感性和特异性分别从74.8%（95%置信区间：68.6–80.1）和81.5%（95%置信区间：73.9–87.3）提升至81.1%（95%置信区间：74.4–86.5）和86.1%（95%置信区间：79.2–90.9）。这一结果表明，AI在提高诊断准确性方面具有重要作用，尤其是在非专科医生的辅助下。然而，AI工具的性能仍然受到多种因素的影响，包括图像质量、病变的多样性以及AI模型的训练数据是否充分覆盖了常见的皮肤病类型。

此外，研究还指出，Google Lens在识别健康皮肤方面存在明显的不足。在本研究中，20名无皮肤病变的健康人群均未被正确分类为正常皮肤，这表明该工具在区分正常与病变皮肤方面仍需改进。这一问题可能与AI模型的训练数据有关，即如果模型在训练过程中缺乏对健康皮肤的充分学习，那么其在实际应用中可能会出现误判。因此，未来的AI皮肤病诊断工具需要在训练数据中更加全面地涵盖健康皮肤的特征，以提高其对正常皮肤的识别能力。

本研究的局限性主要体现在样本量较小以及缺乏对真正阴性病例的识别能力。研究者指出，Google Lens未能正确识别任何一位无皮肤病变的患者，这在一定程度上限制了其在实际应用中的价值。此外，由于样本量有限，研究结果可能无法完全代表所有皮肤病的诊断情况。因此，未来的研究需要扩大样本规模，并涵盖更多类型的皮肤病，以进一步验证Google Lens的诊断能力。

从临床实践的角度来看，AI工具的引入为医疗工作者提供了新的辅助手段，有助于提高诊断效率和准确性。然而，AI工具的使用也带来了新的挑战。例如，医生需要对AI的诊断结果保持审慎态度，避免过度依赖技术而忽视临床经验。此外，AI工具的误诊率仍然存在，尤其是在复杂或罕见的皮肤病中，其诊断结果可能与实际不符。因此，AI工具应被视为辅助诊断工具，而非替代医生的决策依据。

未来的研究方向应包括开发更先进的AI皮肤病诊断工具，并对这些工具的诊断准确性进行更深入的比较分析。此外，还需要探索AI工具在不同皮肤病类型中的应用效果，例如毛发疾病、指甲疾病、感染性疾病和皮肤癌等。这些研究将有助于进一步优化AI工具的性能，并提高其在实际医疗环境中的适用性。

总的来说，Google Lens在皮肤病诊断中的表现虽然尚未达到家庭医生的水平，但其作为一种辅助工具，仍具有一定的应用潜力。随着AI技术的不断发展，未来可能会有更多专门针对皮肤病的诊断工具出现，这些工具将更加精准、高效，并能够更好地满足基层医疗的需求。因此，医疗工作者应积极关注AI技术的发展，并探索其在临床实践中的合理应用，以提高诊断效率，改善患者管理，推动医疗质量的提升。