深度学习在性传播感染皮肤病变早期检测中的系统评价与荟萃分析：机遇与挑战

为解决性传播感染(STIs)早期诊断难题，研究人员通过系统评价和荟萃分析评估了深度学习算法在STIs皮肤病变分类中的性能。研究发现，模型对猴痘(mpox)和疥疮(scabies)的检测灵敏度分别达0·97和0·95，但存在数据异质性和泛化性局限。该研究为AI辅助STIs筛查提供了循证依据，并提出了标准化数据集开发的路线图。

　　

性传播感染(STIs)已成为全球公共卫生的重大威胁，2019年全球新增病例达7.7亿例，1990至2019年间发病率增长超一倍。尽管多数STIs无症状，但猴痘(mpox)、疥疮(scabies)等疾病常伴随特征性皮肤病变，这为早期诊断提供了重要线索。然而，现有诊断方法面临实验室检测可及性低、临床表现复杂多样以及社会污名化等挑战。特别是在资源有限地区，皮肤科医生短缺使得基于视觉的快速筛查需求迫切。

香港城市大学赛马会兽医及生命科学学院传染病与公共卫生学系的研究团队在《The Lancet Gastroenterology》发表研究，首次系统评估了深度学习在STIs皮肤病变早期检测中的应用价值。通过检索2010-2023年间4大数据库的1946篇文献，最终纳入101项研究进行系统评价，其中55项纳入荟萃分析。研究采用PRISMA指南和PROSPERO注册方案，运用CLEAR Derm清单进行质量评估，并建立分层模型计算汇总敏感性和特异性。

关键技术包括：1) 基于ImageNet预训练的卷积神经网络(如ResNet/VGGNet)架构；2) 公开数据集(MSLD/MSID等)与自建数据集结合；3) 可解释人工智能(XAI)技术如类激活映射(CAM)；4) 采用QUADAS-2框架评估偏倚风险；5) 通过随机效应模型处理异质性数据。

研究结果显示：

1. 疾病分布：88%研究聚焦mpox，其次为scabies(8%)和herpes(4%)，反映2022年mpox疫情的研究热点。

2. 模型性能：深度学习对mpox检测的汇总敏感性达0·97(95%CI 0·95–0·98)，特异性0·99(0·98–0·99)；scabies分别为0·95和0·97。

3. 技术特征：70%研究使用传统CNN架构(ResNet占57%)，仅4%采用Vision Transformer；20%研究整合XAI方法。

4. 数据局限：85%研究依赖公开数据集，但存在图像数量少(71%研究<1000张)、类不平衡、缺乏肤色多样性(98%未报告)等问题。

5. 质量缺陷：仅22.5%研究满足CLEAR Derm清单要求，代码公开率仅6%，且普遍存在偏倚风险(99%研究存在结局指标偏倚)。

讨论指出，尽管深度学习在STIs筛查中展现出临床潜力，但现有模型的泛化能力受限于数据异质性。研究团队提出标准化开发路线图，强调需建立包含多元肤色、解剖部位和地理来源的标注数据集。特别值得注意的是，模型优化需考虑移动端部署的隐私保护需求，这对生殖器等敏感部位病变的筛查尤为重要。

该研究的核心价值在于：首次系统量化了AI在STIs视觉诊断中的证据等级，揭示了当前研究的方法学缺陷，并为后续研究提供了包含数据采集、算法设计、临床验证等环节的完整框架。未来需加强真实世界前瞻性验证，推动多模态数据(如结合人口统计学和性行为数据)的融合分析，最终实现WHO倡导的"精准公共卫生"目标。