综述：人工智能在斑贴试验中的应用：皮肤病学当前应用与未来前景的全面回顾

这篇综述深入探讨了人工智能（AI）在斑贴试验（patch testing）中的应用潜力，重点分析了卷积神经网络（CNN）、随机森林（RF）等算法在提升过敏性接触性皮炎（ACD）诊断标准化和准确性方面的表现（准确率达90.1%-99.5%），同时指出数据多样性不足、成像协议缺乏统一性等挑战，为AI在皮肤病学的临床转化提供了关键见解。

　　

背景

过敏性接触性皮炎（ACD）是一种影响约20%人群的常见炎症性皮肤病，其诊断金标准斑贴试验存在耗时、判读主观性强等问题。人工智能（AI）技术，尤其是深度学习（DL）中的卷积神经网络（CNN），为标准化诊断、减少人为误差提供了新思路。

方法

通过PubMed系统检索2024年8月前的文献，筛选出10项符合标准的研究。这些研究涵盖CNN图像分析、随机森林（RF）风险预测等方向，采用国际接触性皮炎研究组（ICDRG）评分作为金标准。

结果

图像分析表现亮眼
4项基于CNN的研究展示了90%-99.5%的高准确率。例如，Chan等开发的模型对3695张斑贴试验图像的分类准确率达99.5%，曲线下面积（AUC）0.915。Vezakis团队采用Antera 3D?多模态成像设备，通过6种图像参数（包括纹理和体积数据）将特异性提升至95%。

预测模型各有所长
Cunningham等对比发现，梯度提升（GB）在预测过敏风险时表现最优（AUC 0.69），优于逻辑回归（LR）和随机森林（RF）。Adler等则通过分析105,325例患者数据，利用RF模型成功识别多重致敏关联模式（AUC>0.90）。

数据多样性短板明显
仅3项研究报告了菲茨帕特里克皮肤分型（FST）分布，其中Ravishankar等的数据中88%为FST I-II浅肤色人群。分子机制研究样本量普遍偏小，如Lefevre等仅分析47例活检标本。

讨论

技术突破与临床痛点
CNN模型在图像判读上已接近人类专家水平，但成像标准化仍是瓶颈。多中心研究显示，不同机构使用的过敏原组合、拍摄设备差异导致数据异质性。联邦学习（federated learning）等分布式AI训练模式有望突破数据孤岛。

伦理与转化挑战
需警惕算法在深肤色人群（FST IV-VI）中的性能衰减，类似DDI数据集的研究表明，未经多样性训练的模型对FST V-VI诊断准确率显著降低。监管层面，FDA等机构尚未明确AI辅助斑贴试验的审批路径。

结论

AI将重塑斑贴试验范式：从自动化判读到发现新型生物标志物。下一步需建立跨肤色、跨地域的标准化图像库，开发可解释性AI（XAI）工具，并推动多学科协作的临床验证。