综述：AI驱动的皮肤病学诊断工具：一项综述

这篇综述系统评估了人工智能（AI）在皮肤病学诊断中的应用进展，重点探讨了AI模型在皮肤癌（如黑色素瘤、基底细胞癌BCC、鳞状细胞癌SCC）和常见非癌性疾病（如痤疮、湿疹、银屑病）中的诊断效能，以及与皮肤镜（dermoscopy）、光学相干断层扫描（OCT）等成像技术的整合潜力。文章同时指出当前AI模型在深色皮肤（Fitzpatrick分型）中的局限性，并呼吁加强数据多样性和监管（如FDA的510(k)途径）。

　　

Section snippets

Key points

• AI诊断模型在黑色素瘤等皮肤癌及痤疮、银屑病等非癌性皮肤病中达到皮肤科医生水平的准确性。
• 与皮肤镜、OCT和反射共聚焦显微镜（RCM）结合的AI技术显著提升了皮肤癌诊断精度，但深色皮肤数据不足导致模型泛化性受限。
• 临床整合需解决数据偏差、监管（如FDA的de novo分类途径）及医生协作问题。

Background

美国面临皮肤科医生短缺危机，平均预约等待时间达34天，预计2050年缺口达25%。AI作为决策支持工具，有望通过计算机视觉技术重塑皮肤病诊疗流程。

Literature review

2020至2024年的系统评价显示，AI在皮肤癌（4项研究）、非癌性疾病（2项）和辅助成像（3项）中表现突出。研究筛选基于诊断准确性、敏感性和特异性指标，最终纳入8项符合标准的研究。

Skin cancer models

AI对黑色素瘤的诊断灵敏度达94%，特异性87%，与专家水平相当。但基底细胞癌（BCC）和鳞状细胞癌（SCC）的研究多未分型统计，Salinas团队指出模型对罕见亚型识别不足。

Non-cancer dermatological disease models

AI在湿疹和银屑病诊断中灵敏度超90%，但研究数量有限，且训练数据多来自高加索人群，深色皮肤表现未充分验证。

Supplemental imaging models

皮肤镜结合AI的黑色素瘤诊断AUC达0.96，OCT和RCM则专注于BCC和角化细胞癌的早期识别，但设备成本限制普及。

Clinical implications

AI可辅助远程会诊（teledermatology）和临床面诊，但需医生复核。例如，DermaSensor等FDA批准设备通过510(k)途径加速上市，但需警惕算法透明度不足的风险。

Equity and bias

仅19%研究披露受试者肤色（Fitzpatrick分型），深色皮肤数据缺失导致模型对非白人群体误诊率升高33%。

Regulatory considerations

FDA目前授权3款AI皮肤病设备，包括基于de novo途径的DermaSensor，后续类似产品可通过510(k)简化审批，但需证明与已获批设备的等效性。

Clinics care points

• AI工具现可分析皮肤镜图像，但深色皮肤结果需谨慎解读。
• 医生应参与AI决策，避免过度依赖算法。
• 监管框架需平衡创新与患者安全，如FDA的预认证试点计划。

（注：全文严格依据原文内容缩编，未添加非原文信息。）