深度学习卷积神经网络在罕见皮肤肿瘤诊断中的价值：能否提升皮肤科医生的诊断准确性？

本研究通过横断面读者研究评估了市场获批的二元深度学习卷积神经网络(DL-CNN)对200例罕见皮肤肿瘤(RST)的诊断效能。结果显示，DL-CNN的敏感度(66.7%)和特异度(56.4%)显著低于皮肤科医生(80.3%,65.1%)，其预测仅使专家敏感度微升(p=0.032)而特异度下降(p=0.036)，提示当前DL-CNN对RST的诊断支持有限，需优化训练数据以实现临床价值。

　　

Highlight

罕见皮肤肿瘤(RST)的诊断艺术：DL-CNN能否提升皮肤科医生的诊断准确性？

Methods

在这项横断面读者研究中，市场获批的二元深度学习卷积神经网络(DL-CNN，Moleanalyzer-Pro)评估了200张经组织学确诊的RST皮肤镜图像。国际皮肤科专家小组通过三个层级评估恶性和管理决策：(I)仅皮肤镜，(II)皮肤镜+特写图像与元数据，(III)第二层级+DL-CNN恶性预测。主要比较DL-CNN与皮肤科医生(第二层级)的敏感度、特异度及受试者工作特征曲线下面积(ROC-AUC)。

Results

DL-CNN表现平平：敏感度66.7%（56.4%-75.6%），特异度56.4%（47.0%-65.3%），ROC-AUC仅0.634。相比之下，皮肤科医生均值显著更优——敏感度80.3%、特异度65.1%、ROC-AUC达0.839（p<0.001）。引入DL-CNN预测后，专家敏感度微增1%（p=0.032），特异度反降1.1%（p=0.036），且对误诊病例无改善作用。

Discussion

这项研究揭示了市场主流DL-CNN在RST诊断中的局限性。尽管在常见皮肤病变中表现优异，但面对临床"罕见且复杂"场景时，其预测既未能显著提升专家水平，还出现了特异性"拖后腿"现象。研究者指出，当前算法训练数据对RST覆盖不足，如同"用普通地图导航荒野"，亟需针对性优化。

Conclusion

测试表明，现有DL-CNN对RST的诊断支持价值有限。虽然观察到对专家决策的微小影响，但完整临床背景仍是诊断精度的黄金标准。研究者呼吁：要实现AI在皮肤科的真正价值，必须为算法配备更丰富的RST"学习资料库"。