综述：皮肤病学中人工智能的现状与未来展望

这篇综述系统阐述了人工智能（AI）在皮肤病学领域的三大应用方向：通过全身摄影（TBP）和皮肤镜增强诊断，利用机器学习（ML）模型辅助组织病理学分析，以及整合多模态数据实现精准医疗。文章特别强调卷积神经网络（CNN）在皮肤镜图像分析中的突破性作用，同时指出大语言模型（LLMs）77对医疗流程优化的潜力，为AI在皮肤科临床实践中的转化研究提供了重要参考。

　　

Section snippets

Key points
• 人工智能（AI）通过全身摄影（TBP）和皮肤镜技术显著提升皮肤疾病的影像学诊断能力
• 机器学习（ML）模型可辅助数字病理切片分析，实现皮肤病变的自动化识别
• 多模态患者数据整合使AI能够指导疾病预后评估和治疗方案选择

Section 1: diagnostics
皮肤病学高度依赖视觉评估的特性使其成为AI技术应用的理想领域。全身摄影（TBP）系统中，AI算法可实现黑色素瘤病灶的毫米级变化追踪，其敏感性达到临床级标准。皮肤镜分析方面，卷积神经网络（CNN）能自动识别色素网络模式，但在实际应用中仍需医师复核——研究显示不同设备的光照条件会导致15%的假阳性率。数字病理领域，基于深度学习的全切片图像（WSI）分析平台已能区分基底细胞癌与鳞状细胞癌，准确率媲美中级病理医师。

Section 2: prognostics
AI正通过整合基因组学数据和临床特征重塑预后评估体系。在皮肤T细胞淋巴瘤研究中，算法通过分析CD30⁺淋巴细胞浸润模式可预测5年生存率。特应性皮炎领域，AI模型结合IgE水平和皮肤屏障基因表达数据，能推荐个性化生物制剂治疗方案。值得注意的是，这些系统需要持续更新训练数据以应对疾病异质性挑战。

Section 3: artificial intelligence for healthcare operations
大语言模型（LLMs）⁷⁷正在革新皮肤科运营流程：智能分诊系统通过自然语言处理（NLP）可准确识别90%以上的急诊病例；自动化文档系统将医师文书工作时间缩短40%。但需警惕算法偏差——某些系统对深色皮肤类型的识别准确率仍低于浅色皮肤7个百分点。

Clinics care points
• TBP系统中的AI工具可实现病灶动态监测，但需定期校准设备参数
• CNN辅助皮肤镜诊断时，必须保持标准化的拍摄距离和光照强度
• 病理AI系统目前仍应作为医师的"第二意见"工具

Funding sources
本研究获美国国立卫生研究院（NIH）K23AR080791号项目、美国国防部W81XWH2110819号项目及黑色素瘤研究联盟青年研究者奖支持。

Disclosure
作者声明与辉瑞、因赛特等企业的合作关系不影响本研究独立性。当前技术瓶颈在于高质量标注数据的获取，未来需建立跨机构皮肤影像数据库以推动算法进化。