基于多模态深度学习的色素沉着性皮肤病辅助诊断系统研发与验证

针对色素沉着性皮肤病(HSDs)临床诊断难题，解放军空军医学中心激光医学科团队创新性地开发了整合皮肤图像、结构化数据和叙述文本的多模态诊断(MDD)模型。研究纳入1536例患者6142张图像，验证显示该模型AUC达0.9848，显著提升PN、NO等10类HSDs的诊断准确性，为基层医疗提供高效辅助工具。

　　

色素沉着性皮肤病(HSDs)作为一类以黑色素过度生成或黑素细胞增量为特征的常见皮肤病，涵盖黄褐斑(MLA)、雀斑(FC)、咖啡斑(CS)等多种亚型。这些疾病不仅好发于面部等暴露部位，影响患者容貌和生活质量，其临床表现还与黑色素瘤等恶性疾病存在相似性，给临床鉴别带来巨大挑战。

传统诊断依赖皮肤科医生对皮损特征的视觉评估结合患者 demographics 信息进行综合判断，但基层医生常因经验不足导致误诊。为此，研究团队构建了革命性的多模态诊断框架(MDD)，巧妙融合了三种关键数据维度：高分辨率皮损图像、结构化临床数据和自然语言描述的病史文本。

这项回顾性研究纳入了解放军空军医学中心十年间1536例HSDs患者数据，涵盖 pigmented nevus (PN)、nevus of Ota (NO)等10种常见亚型。通过创新的特征融合算法，模型在验证集展现出卓越性能：对PN的诊断准确率(Acc)达97.15%，特异性(Spe)98.01%；MLA的AUC值更达到惊人的0.9974。热力图分析证实，模型关注的皮损区域与专家诊断焦点高度吻合。

值得注意的是，该系统的 bimodal 版本(AUC 0.9802)已显著优于单图像模态(0.9554)，而完整 trimodal 架构进一步将诊断效能提升至新高度。不过研究者也指出，当前数据主要来自中国人群，未来需通过 multicenter 研究验证其普适性。

这项突破性工作不仅为HSDs诊断提供了准确率达98.48%的智能辅助工具，更开创了多模态人工智能在皮肤科应用的新范式。特别值得一提的是，模型对临床稀缺病种如 pigmented hairy epidermal nevus (PHEN)仍保持86.67%的敏感性，展现出色的 minority class 识别能力。随着后续数据扩充，这套系统有望成为基层医疗机构的"数字皮肤科专家"。