综述：皮肤科中的生成式人工智能：入门指南

这篇综述深入探讨了生成式人工智能（AI）在皮肤科的应用前景与挑战，涵盖医学教育、临床诊疗和科研创新等领域。文章强调提示工程（prompt engineering）对优化AI输出的关键作用，同时警示需警惕AI幻觉（hallucinations）和技能退化（deskilling）等风险。通过解析温度参数（temperature）、核采样（top-p）等技术原理，为临床医生提供与AI高效协作的实用策略。

　　

技术要点
生成式AI系统通过复杂算法构建响应机制，其核心技术涉及温度参数（temperature）和核采样（top-p）等调控手段。温度参数控制输出的随机性——数值越高创造性越强但准确性可能降低，而核采样（top-p）通过概率阈值筛选最相关词汇。理解这些"黑箱"运作原理，有助于临床医生通过调整max tokens等参数获得更精准的医学响应。

提示工程的艺术
在皮肤科实践中，有效的提示工程能显著提升AI效用。采用少样本提示（few-shot prompting）策略——即提供具体临床案例作为示范，可使AI更准确模拟皮肤病诊断逻辑。例如输入"根据以下5个银屑病病例的图文特征，分析新病例的皮损形态"，比模糊提问更能激发AI的专业潜力。系统参数组合的微调，被证实可提高对罕见皮肤病如红斑狼疮亚型的识别准确率¹⁹。

临床应用全景
从自动化病历生成到皮肤镜图像分析，生成式AI正重塑皮肤科工作流程。在医学教育领域，AI模拟患者问诊能训练医学生的诊断思维；临床辅助方面，通过分析数十万张皮损照片建立的模型，可提供带状疱疹与接触性皮炎的鉴别诊断建议。值得注意的是，AI在皮肤肿瘤早期筛查中的敏感性已达92%，但特异性仍需人工复核提升。

风险与反思
AI的"幻觉"现象在皮肤科表现为虚构罕见病诊疗方案，可能误导临床决策。更隐蔽的风险在于过度依赖导致的临床技能退化（deskilling）——当医生习惯性采纳AI建议时，可能弱化自身对蕈样肉芽肿等复杂疾病的诊断敏锐度。研究显示，连续使用AI辅助3个月后，住院医师对非典型皮疹的独立诊断准确率下降11%。

未来展望
随着多模态模型发展，能同步解析皮肤病理切片、临床照片和基因检测报告的AI系统即将问世。但实现技术红利的前提，是建立严格的验证框架——包括对黑色素瘤诊断算法进行跨人种敏感性测试。正如作者强调，唯有保持"批判性合作"态度，才能引导这项技术向善发展。

临床实践要点
• 将AI作为皮肤科第二意见工具时，务必验证其引用的文献来源
• 设计提示词应包含患者年龄、皮损演变史等时序特征
• 在皮肤肿瘤诊断中，AI建议需与皮肤镜结果进行三重校验