基于多模态数据卷积神经网络的蕈样肉芽肿与五种炎症性皮肤病早期诊断模型

为解决蕈样肉芽肿（MF）与红斑性炎症疾病早期鉴别难题，研究人员开发了基于多模态数据（临床信息、临床图像及皮肤镜图像）的AI深度学习模型。该模型采用RegNetY-400MF特征提取器，在1157例病例中实现总准确率82.94%、敏感性86.16%、特异性96.45%，显著提升医生诊断效能，为MF早期无创诊断提供新范式。

　　

这项单中心回顾性研究聚焦皮肤T细胞淋巴瘤中最常见的蕈样肉芽肿（Mycosis Fungoides, MF）——其早期病变与红斑性炎症疾病难以鉴别。突破传统活检局限，研究团队创新性整合患者基础信息、临床图像及皮肤镜图像等非侵入性多模态数据，构建基于卷积神经网络（CNN）的AI诊断模型。

采用RegNetY-400MF作为特征提取器，模型在2452张临床图像和6550张皮肤镜图像数据集上展现出卓越性能：与纯医生诊断组相比，AI辅助组的平均准确率（82.94% vs 71.52%）、敏感性（86.16% vs 74.56%）和特异性（96.45% vs 94.06%）均显著提升。多分类模型更实现了对各类疾病的精准鉴别，犹如为皮肤科医生装配了智能诊断"增强现实眼镜"。

该突破不仅证实AI在MF早期诊断中的判别能力，更开创了融合临床-影像-病理多维数据的智能诊疗新模式，为攻克这类"皮肤伪装大师"疾病提供了革命性工具。