综述：人工智能在皮肤癌检测中的性能表现：系统评价和荟萃分析的伞状综述

这篇综述系统评估了人工智能（AI）在皮肤癌诊断中的价值，重点分析了卷积神经网络（CNN）和支持向量机（SVM）的优异表现。研究表明，AI模型在区分黑色素瘤与良性色素性病变时表现最佳（灵敏度91%，特异性94%），且能显著提升初级医疗从业者的诊断水平，尤其在智能手机图像分析场景中展现出90%的灵敏度和85%的特异性。

　　

ABSTRACT

皮肤癌作为发病率最高的恶性肿瘤之一，其诊断面临基层医疗资源不足的挑战。人工智能（AI）模型展现出显著的辅助诊断潜力，但需要全面评估其在不同类型皮肤癌中的表现。这项伞状综述整合了11项涵盖551项研究的荟萃分析数据，揭示了AI在皮肤癌检测中的关键突破。

关键技术表现

卷积神经网络（CNN）和支持向量机（SVM）展现出最优异的诊断性能。在区分黑色素瘤与色素性病变的任务中，SVM模型达到91%的灵敏度和94%的特异性，显著优于传统诊断方法。针对鳞状细胞癌，基于高光谱成像训练的机器学习模型取得90.1%的灵敏度和92.65%的特异性。值得注意的是，AI在鉴别良恶性皮损时保持87%的灵敏度和86.4%的特异性。

临床应用价值

AI辅助诊断对各级医疗从业者均有提升作用，其中全科医生和护士的获益程度（+23.5%）明显高于资深皮肤科医师（+8.2%）。特别值得关注的是，基于智能手机图像训练的深度学习模型在初级医疗场景中表现突出，其90%的灵敏度和85%的特异性已超越普通全科医生的诊断水平。对比研究显示，AI模型的诊断能力显著优于初级 dermatologists和非专科医师，与高级 dermatologists的差距在3.2%以内。

未来展望

将AI工具整合至临床工作流程，特别是在基层医疗机构中，可有效提升诊断准确率（平均提升15.8%），减少漏诊病例。研究建议重点关注CNN模型在移动医疗设备上的优化应用，以及多模态数据（如临床图像与病理数据）的融合分析策略。

Conflicts of Interest

作者声明无利益冲突。