人工智能技术在白癜风诊断与量化中的应用：系统评价与荟萃分析

《Journal of Investigative Dermatology》：Artificial Intelligence Techniques for Diagnosing and Quantifying Vitiligo: A Systematic Review and Meta-Analysis

　　

摘要

机器学习（ML）和深度学习（DL）在白癜风中的应用，特别是在图像和对象识别方面，使得创建可与当前临床方法的精确度和准确性相媲美的创新技术成为可能。本系统评价旨在探索基于图像的人工智能（AI）模型如何提高白癜风诊断、严重程度评估和监测的准确性。在 PubMed、IEEE Xplore、EMBASE、Compendex 和 Cochrane 中进行了全面的文献检索。本评价纳入了 2000 年 1 月 1 日至 2024 年 10 月 10 日期间聚焦于白癜风诊断、分类、治疗或疾病严重程度的 54 项研究。荟萃分析显示，模型实现了较高的诊断准确性，曲线下面积超过 0.90，病变分割的 Dice 分数为 0.84。结果通常与人类专家的表现相匹配。比较人工智能模型与专家的研究报告称，人工智能的表现可与人类专家相当。这些研究突出了机器学习模型准确检测白癜风并提供病变范围定量数据的能力。尽管人工智能在改善白癜风管理方面显示出相当大的潜力，但为了全面整合到临床中，仍需更大、更多样化的公开白癜风数据集以及聚焦于全身图像白癜风分割的研究。

章节摘要

白癜风概述及疾病严重程度指数

白癜风是一种色素脱失性皮肤病，影响人口的 0.5-1%（Gandhi 等，2022；Bergqvist 和 Ezzedine，2020）。白癜风病变在形态、分布、大小和位置上可能差异很大，使得测量和跟踪进展变得困难（Kawakami 和 Hashimoto，2011）。

围绕诊断和监测该疾病的工具和方法缺乏共识（Kawakami 和 Hashimoto，2011）。白癜风面积评分指数（VASI）

研究选择与特征

一位健康科学图书管理员（I.V.）在 2024 年 5 月至 9 月期间进行了检索。我们的文献检索在八个数据库中产生了 2,178 条结果，使用参考文献管理工具 EndNote 去除了 132 条重复项，总计 2046 条唯一结果。通过反向引文检索识别出另外一篇文章。在根据纳入和排除标准筛选所有标题和摘要后，共检索出 120 项研究进行全文审阅。

讨论

据我们所知，我们首次呈现了回顾人工智能成像技术在白癜风中应用的荟萃分析。我们识别出 54 项符合我们纳入标准的开发或调查白癜风人工智能成像模型的研究。随着年份的推移，出版物数量呈明显上升趋势，其中大多数（74%，40/54）是在 2020 年至 2024 年期间进行的。

临床意义与未来方向

这些技术的应用在监测疾病进展和早期检测方面具有巨大的前景，并展示了量化色素脱失和计算 VASI 的能力。然而，这些模型的性能主要在受控研究环境中得到展示。这些模型在精心策划的数据集之外的多样化、真实临床环境中的性能在很大程度上仍未得到证实。只有少数研究（12 项研究）评估了人工智能模型在

结论

系统评价表明，人工智能，特别是神经网络，在白癜风图像检测和分割方面显示出巨大的前景。人工智能技术的整合有望提高诊断准确性，允许早期识别白癜风，减轻临床医生工作负担，并改善疾病严重程度评分以及疾病进展和复色的监测。然而，需要进一步的研究来解决现有局限性，包括数据集

研究设计与检索策略

研究方案已在 PROSPERO 注册（ID: CRD42024537328），并依据系统评价和荟萃分析首选报告条目（PRISMA）指南进行（Ede，2024；Page 等，2021）。由于本研究不涉及从人类受试者收集新数据，因此既不需要参与者的书面同意，也不需要得克萨斯大学奥斯汀分校机构审查委员会（IRB）的批准。

检索策略是在与一名医学

伦理声明

由于本研究不涉及从人类受试者收集新数据，因此既不需要参与者的书面同意，也不需要得克萨斯大学奥斯汀分校机构审查委员会（IRB）的批准。

数据可用性声明

与本文相关的数据集可在 https://doi.org/10.5281/zenodo.14504025 找到，并由开源在线数据仓库 Zenodo 托管。

利益冲突

作者声明不存在利益冲突。

署名声明（作者贡献）

概念化：NE, AA；正式分析：NE, FK, CS, IV；撰写——初稿：NE, FK, IV。

人工智能/大语言模型使用声明

在准备工作期间，作者 NE 使用了 Grammarly 进行校对、改进流畅度和语法编辑。未给出特定提示。使用此工具后，作者根据需要审阅和编辑了内容，并对最终作品的内容承担全部责任。

zienab_esam. 白癜风数据集，https://www.kaggle.com/zienabesam/vitiligo-dataset；2022（访问日期 2024 年 9 月 7 日）。

未引用参考文献

Agrawal and Aurelia, 2022; Agrawal and Aurelia, 2021; Bokefode and Shinde, 2022; Campiche et al., 2019; Deekshith and Devipriya, 2023; Ede,; Geeks for Geeks, 2018; Hoeflings, 2025; Khatibi et al., 2021; Liu et al., 2020; Mishra and Ajay, 2022; Nijhawan et al., 2023; Nosseir and Shawky, 2019; Pangti et al., 2021; QIMA Life Sciences, ; Saini and Singh, 2021; Salamea and Chica, 2019; Yasir et al., 2014.

致谢

无需致谢的资助者。本研究没有外部资金来源。未使用机构资金支付研究费用。

Nneka Ede|Fatima Khan|Imelda Vetter|Camryn Schroeder|Ammar M. Ahmed