综述:在皮肤癌检测中应用的尖端人工智能技术

《Cancer Letters》:Cutting-Edge AI Technologies in Skin Cancer Applications

【字体: 大 中 小 】 时间:2026年01月16日 来源:Cancer Letters 10.1

编辑推荐:

  皮肤癌早期诊断中,多模态大语言模型(如GPT、Med-PaLM)通过融合电子皮肤镜图像、组织病理数据和基因信息,显著提升诊断准确性和个性化治疗水平,但仍需解决数据质量、模型可解释性及临床协作等挑战。

  
Yueqin Diao|Xiao Chen|Ziyan Huang|Qian Tan|Meng Yang|Hanyi Yu|Yanwu Xu|Xing Hu
华南理工大学未来科技学院,中国广东省广州市

摘要

像GPT和Med-PaLM这样的多模态大型语言模型(LLMs)的快速发展正在重塑医疗实践。皮肤癌是最常见的恶性肿瘤之一,它包含多种亚型,其早期症状常常与良性病变相似,这使得及时检测和准确诊断变得具有挑战性。传统的诊断方法受到主观性、采样偏差和低效率的阻碍。皮肤癌的诊断在很大程度上受到强烈主观性、采样偏差和低诊断效率的限制。尽管针对肿瘤微环境的免疫疗法和靶向疗法为患者带来了新的治疗可能性,但肿瘤异质性和免疫逃逸仍然是尚未解决的主要挑战。基于深度学习和复杂神经网络的人工智能技术可以通过多模态融合策略整合皮肤镜图像、组织病理学信息和基因数据库,从而提取更丰富和互补的特征,显著提高诊断的准确性和鲁棒性。此外,根据患者的个体特征定制治疗策略有助于实现真正的个性化治疗和预后评估。在药物开发领域,人工智能加速了候选化合物的筛选和模拟,大大减少了开发时间和成本。本综述总结了人工智能在皮肤癌领域的最新进展,重点关注早期检测、个性化治疗和患者管理。我们进一步讨论了与数据质量和模型可解释性相关的挑战,强调了特定于皮肤科的基础模型以及临床医生和工程师之间合作的重要性。

引言

皮肤癌是全球最常见的恶性肿瘤之一,在肤色较浅的人群中更为常见,包括黑色素瘤和非黑色素瘤皮肤癌(NMSCs)。据预测,到2040年,新的黑色素瘤病例数量将达到约51万例,增长50%。这一趋势表明这是一个重要的且日益严重的公共卫生问题[1]。黑色素瘤的发病率在北美和澳大利亚较高,而在中国相对较低;然而,中国的黑色素瘤死亡率是世界上最高的[2]。NMSCs主要包括基底细胞癌(BCC)和鳞状细胞癌(SCC),它们的诊断频率远高于黑色素瘤。尽管BCC和SCC的死亡率已经稳定或下降,但这些癌症发病率的增加仍然给全球公共卫生系统带来了巨大负担[3]。
图1总结了皮肤的分层结构,包括表皮、真皮和皮下组织。图中标注了三种代表性皮肤癌(BCC、SCC和黑色素瘤)在表皮中的发生部位和形态特征,直观地展示了它们在皮肤结构中的分布。皮肤癌发病率的上升在很大程度上归因于紫外线(UV)辐射的增加[4]。重要的是,不同类型的皮肤癌在病因、致死性和可预防性方面存在差异。早期检测和预防干预措施有助于逐步降低死亡风险。
尽管皮肤科医生在识别皮肤癌方面具有丰富的专业知识,但传统的诊断工作流程仍然存在显著局限性[5]。诊断准确性高度依赖于临床医生的主观判断和临床经验,这增加了漏诊或延误诊断的风险,尤其是对于非典型或早期病变。此外,有效使用皮肤镜及相关设备需要专业培训,而专业护理和诊断资源的不平等获取可能会进一步延迟皮肤癌的早期检测和及时干预。
近年来,人工智能(AI),特别是深度学习(DL)技术在医学领域展现出巨大潜力。图2总结了本综述中使用的关键AI术语的层次化表示。这些方法可以支持评估肿瘤侵袭性、预测癌症的治疗反应,并有助于个性化治疗[6]。皮肤癌的诊断严重依赖于视觉评估和对皮肤镜及临床图像特征的解释,这使其非常适合基于AI的应用。许多研究表明,基于卷积神经网络(CNNs)的图像识别模型可以达到与经验丰富的皮肤科医生相当甚至超过他们的诊断性能[7]、[8]、[9]、[10]。在一项针对65项基于DL的皮肤科诊断研究的系统综述中,Hyeon等人报告了一致的有希望的结果[11]。值得注意的是,在区分黑色素瘤和良性病变的二元分类任务中,一些模型的曲线下面积(AUC)高达99.32%[12],突显了DL方法的有效性。除了黑色素瘤检测之外,这些方法在分类常见的非肿瘤性皮肤状况(如痤疮、银屑病、湿疹和酒渣鼻)方面也显示出高准确性。Liu等人[13]开发了一个基于DL的诊断系统,并在963个真实世界临床案例中对其进行了前瞻性验证。结果表明,其诊断准确性与六位经过认证的皮肤科医生相当,甚至超过了六位初级保健医生和六位护士从业者的表现。这些发现表明,基于DL的系统可以提高全科医生在皮肤科领域的诊断准确性。
自OpenAI在2022年11月公开发布ChatGPT以来,大型语言模型(LLMs)在医学领域取得了显著进展,在语言理解和处理复杂任务方面表现出色[14]。在此基础上,开发了多模态扩展,其中LLMs在大规模的图像-文本对上进行训练,以在共享的嵌入空间中对齐视觉和文本表示。还引入了各种预训练目标,以促进有效的跨模态语义对齐[15]、[16]、[17]。因此,在医学场景中,这种视觉-语言对齐的LLMs为多模态智能诊断提供了新的解决方案,能够执行关键任务,如自动医学图像描述、临床报告生成、患者咨询辅助和联合视觉-语言推理。例如,在皮肤科诊断中,SkinGPT-4模型已被提出用于实现交互式对话进行病变分析并提供初步诊断建议,展示了其在实际应用中的广阔前景。这个例子反映了LLMs在医学领域变得越来越强大和多用途工具的更广泛趋势[18]。
鉴于人们对AI,特别是多模态基础模型在皮肤癌诊断中的兴趣日益增加,本综述讨论了从传统诊断方法向AI驱动方法过渡的最新进展(图3)。它系统地考察了在皮肤癌中部署AI的实际挑战和临床机会;本综述为这些技术在现实世界临床实践中的安全有效实施提供了宝贵的见解。
为了确保本文的科学有效性和时效性,我们主要搜索了2015年至2025年间与人工智能、深度学习和LLMs在皮肤癌诊断和治疗方面相关的最新研究。文献来源包括PubMed、Web of Science和IEEE Xplore等主流数据库,关键词涵盖了“皮肤癌”、“黑色素瘤”、“人工智能”、“深度学习”和“大型语言模型”等。选择了与主题密切相关的原始研究和综述文章,重点关注模型性能、临床应用和前沿发展。我们优先考虑了具有高学术影响力和代表性的研究进行分析和讨论。

部分摘录

皮肤癌的传统诊断方法

皮肤癌的诊断长期以来一直基于视觉检查[19]、[20]、皮肤镜检查[21]和组织病理学检查[22]。视觉检查是皮肤科的基础,但仍然具有高度主观性,导致早期皮肤癌的诊断不一致[5]。ABCDE规则已被广泛用于黑色素瘤筛查。该规则包括不对称性、边界不规则性、颜色变化、直径和演变,有助于缓解这一挑战[23]。即便如此,

皮肤癌的传统和基于分子的治疗方法

皮肤癌的治疗主要包括手术切除和局部化疗等传统方法,以及免疫疗法和靶向疗法等新兴疗法[67]、[68]。随着对免疫微环境的理解加深以及单细胞测序、基因测序和多组学研究的快速发展,免疫疗法和靶向疗法为恶性肿瘤提供了更多的治疗选择,并推进了机制研究。

数据质量、偏差和模型泛化的挑战

在实践中,人工智能技术的应用仍然面临许多固有挑战,包括数据不平衡、模型可信度不足以及隐私和伦理问题[93]。表1总结了当前实际应用中的挑战和机遇。未来的研究应更多地关注现实临床场景的需求,并彻底探索AI在辅助临床决策方面的可行性和有效性[94]。

多模态数据融合的潜在应用

在临床实践中,皮肤科医生通常需要结合多种数据源进行诊断,如患者病史、皮肤镜图像和组织病理学报告,以进行全面判断。学习不同模态之间的相关性并整合互补信息有助于AI检测皮肤癌。例如,将皮肤镜图像与患者的遗传背景相结合可以帮助提高皮肤癌的早期诊断[111]、[112]。同时,

结论

本综述系统总结了人工智能,特别是深度学习和LLMs在皮肤癌诊断领域的最新进展。虽然AI在诊断准确性、风险预测和治疗辅助方面优于传统方法,但在实际临床应用中仍存在重大挑战。这些挑战包括算法的可靠性不足、伦理和法规合规性问题,以及幻觉的风险

CRediT作者贡献声明

Yueqin Diao:撰写——原始草稿、项目管理、方法论、调查、正式分析、概念化。Xing Hu:撰写——审阅与编辑、撰写——原始草稿、监督、概念化。Meng Yang:方法论、数据管理。Yanwu Xu:撰写——审阅与编辑、监督、资源获取、资金筹集。Xiao Chen:撰写——原始草稿、资源、项目管理、正式分析、数据管理、概念化。Ziyan Huang:可视化,

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。

手稿准备过程中生成式AI和AI辅助技术的声明

本工作的准备过程中没有使用生成式AI和AI辅助技术。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金(编号:6257010864)、广州市科学技术局(编号:2024D03J0013)以及湖南省卫生健康委员会的健康项目(编号:20256655)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号