人工智能助力指甲银屑病严重程度指数评分：高相关性研究成果

为解决 NAPSI 评分难题，纽约研究人员开展 AI 与医生评分对比研究，发现两者相关性良好。

　　背景：指甲银屑病（NP）分别影响高达 90% 的皮肤银屑病患者和 86% 的银屑病关节炎患者，对生活质量有显著影响。指甲银屑病严重程度指数（NAPSI）因其操作繁琐且观察者间可靠性不稳定，在临床实践中使用较少。
目的：本研究旨在评估人工智能（AI）确定的 NAPSI 评分与皮肤科医生评定的评分之间的表现和阅片者间一致性。
方法：这项横断面研究使用了纽约市一家专业指甲诊所回顾性采集的银屑病指甲临床图像。训练了一个卷积神经网络（CNN）模型，用于对银屑病指甲临床图像进行 NAPSI 分类，同时七名皮肤科指甲专家对相同图像进行评分。主要结局指标是组内相关系数（ICC），采用单向方差分析（ANOVA）固定效应模型来评估单评分者绝对一致性，即皮肤科医生确定的平均 NAPSI 评分与 AI 评分之间的一致性。
结果：总共纳入了 240 张银屑病指甲图像。皮肤科医生之间总体 NAPSI、甲母质（NAPSIm）和甲床（NAPSIb）评分的 ICC 分别为 0.43（95% 置信区间 [CI] 0.33 - 0.55）、0.56（95% CI 0.46 - 0.67）和 0.53（95% CI 0.43 - 0.65）。将 AI 算法评定的 NAPSI、NAPSIm 和 NAPSIb 评分与皮肤科医生平均评定的评分进行比较，ICC 分别为 0.81（95% CI 0.74 - 0.86）、0.75（95% CI 0.65 - 0.82）和 0.81（95% CI 0.74 - 0.86）。
结论：研究发现 AI 得出的 NAPSI 评分与皮肤科医生评定的评分之间存在极佳的相关性，这突出了 CNN 在提高 NAPSI 评分准确性和可靠性方面的潜力。本研究的局限性包括样本量小、CNN 诊断准确性未确定、数据不完整以及可能存在种族 / 族裔少数群体代表性不足的问题。