综述：人工智能在全球资源匮乏地区高负担皮肤病中的应用：一项综述

这篇综述深入探讨了人工智能（AI）在资源匮乏地区高负担皮肤病诊疗中的创新应用，涵盖诊断辅助（如深度学习/DL）、精准治疗、医教培训及流行病预测模型（如皮肤被忽视热带病/Skin NTDs）。文章强调需构建伦理化、活检验证且肤色多样化的数据集，并开发低成本、本土适配的AI工具以弥合医疗鸿沟。

　　

人工智能助力全球皮肤病诊疗：机遇与挑战

概述高负担皮肤病
皮肤疾病影响全球近三分之一人口，是第三大常见疾病。在资源匮乏地区，皮肤被忽视热带病（Skin NTDs）如麻风病、皮肤利什曼病和真菌感染尤为突出，常伴随严重残疾和社会歧视。这些疾病在低收入和中等收入国家（LMICs）流行，但诊断和治疗资源极度匮乏，导致诊断延迟和治疗不足。

人工智能的崛起
人工智能（AI）通过模拟人类智能，为皮肤病诊疗带来革命性变革。深度学习（DL）技术能够分类皮肤图像，辅助诊断；大型语言模型（LLMs）如ChatGPT可生成医学文本，辅助临床决策。AI在皮肤病中的应用主要包括诊断辅助、治疗管理、医教培训和流行病预测。

诊断辅助：从图像到病理
AI在皮肤病诊断中最常见的应用是分析临床图像。二元分类模型（如区分“黑色素瘤”与“非黑色素瘤”）和多类分类模型（如区分多种Skin NTDs）已展现出70%-99%的准确率。例如，针对皮肤利什曼病的AI模型通过显微镜图像检测寄生虫，准确率高达99.96%。此外，低成本数字病理工作站的出现，使得LMICs也能实现自动化病理诊断。

治疗与管理：精准医疗的实践
AI不仅辅助诊断，还能优化治疗方案。例如，针对麻风病的AI模型可预测患者对特定药物的反应，减少不良反应风险。在慢性伤口管理中，AI通过测量伤口尺寸，辅助远程监测，显著提升治疗效果。

医教培训：填补知识鸿沟
在缺乏皮肤科医生的地区，AI工具如WHO的SkinNTDs应用成为前线医护的重要教育资源。这些工具提供皮肤病图像库和诊断指南，尤其注重增加深色皮肤病例的 representation，弥补传统教材的不足。

流行病预测：数据驱动的公共卫生
AI模型通过分析地理和环境数据，预测疾病流行趋势。例如，在苏丹，AI识别出 mycetoma 的高风险区域，指导资源分配。类似技术也被用于预测 mpox 的传播路径，辅助公共卫生干预。

责任与挑战
尽管前景广阔，AI在皮肤病中的应用仍面临多重挑战：

1. 数据伦理：需确保患者知情同意，避免历史性剥削重演（如 Henrietta Lacks 案例）。
2. 多样性缺失：现有数据集缺乏深色皮肤图像，导致诊断偏差。例如，某AI模型对 Fitzpatrick 6 型皮肤的真菌病诊断准确率显著降低。
3. 技术适配性：AI工具需适配低资源环境，如开发轻量级模型以兼容普通智能手机，并克服电力与网络限制。

未来方向
未来的AI开发需聚焦三点：构建多样化、活检验证的数据集；确保工具的低成本和本土适配性；增强临床医生与患者的信任。通过跨学科合作，AI有望成为全球皮肤病诊疗的 game-changer，尤其为资源匮乏地区带来公平的医疗机会。

（注：全文严格基于原文内容，未添加非引用信息，专业术语如Skin NTDs、DL等均按原文标注。）