人工智能革新皮肤癌检测：基于UKRI竞赛的标准化DICOM数据与多模态融合模型研究

本研究针对皮肤AI领域缺乏标准化数据的问题，由英国邓迪大学团队通过UKRI竞赛平台，利用DICOM格式的临床数据开发多模态融合AI模型。结果显示：整合皮肤镜图像、宏观图像和患者年龄的晚期融合模型实现93%灵敏度与70%特异性，为皮肤癌初级诊疗分流提供高效工具，凸显标准化数据对AI泛化能力的重要性。

　　

皮肤癌作为全球高发恶性肿瘤，早期诊断直接影响患者预后。然而传统皮肤科诊疗面临两大挑战：基层医疗机构缺乏专业 dermatologists（皮肤科医师），而现有AI系统又因数据标准化不足导致泛化能力受限。英国国家医疗服务体系(NHS)每年需处理数百万皮肤病变转诊病例，亟需建立高效 triage（分级诊疗）系统。

邓迪大学联合 NHS Forth Valley 等机构在 UK Research and Innovation(UKRI) 资助下发起创新竞赛。研究团队采用国际通用的 DICOM（医学数字成像与通信）标准整合皮肤镜(dermoscopic)与宏观(macroscopic)图像，并配套标准化临床元数据。通过 consultant dermatologists（顾问级皮肤科医师）双盲标注和病理确认，构建了首个符合 Caldicott（英国医疗数据隐私标准）的皮肤病变数据集。

关键技术包括：1) 采用开源数据集预训练图像分类器；2) 开发 late fusion（晚期融合）算法，通过逻辑回归整合图像预测与元数据；3) 创新性提出 midlevel fusion（中层融合）方法优化多模态数据交互。实验设计严格遵循 receiver operating characteristic(ROC) 曲线分析，预设灵敏度阈值指导模型优化。

多模态数据协同效应
晚期融合模型显示：皮肤镜与宏观图像贡献度相当（权重系数0.41 vs 0.39），结合患者年龄等元数据后，特异性较单一模态提升38%。这验证了临床实践中多维度信息互补的价值。

皮肤镜图像的筛查优势
纯皮肤镜图像分类器达到97%灵敏度，可有效排除52%良性病变。该结果支持其在初级保健场景中的应用潜力，能显著减轻专科诊疗压力。

标准化数据的必要性
研究揭示当前AI性能仍受限于数据规模（仅5000-10000例），强调需建立跨种族、跨地域的DICOM标准数据库以提升模型鲁棒性。

该研究发表于《British Journal of Dermatology》，首次证明标准化临床数据管道对皮肤AI开发的关键作用。通过UKRI竞赛机制，不仅验证了多模态融合技术的优越性，更建立了可复制的评估框架。未来需扩大数据集并优化 midlevel fusion 算法，最终实现与 teledermatology（远程皮肤病学）工作流的无缝集成，这对全球皮肤癌防控体系建设具有里程碑意义。