《Journal of Medical Systems》：MEL-IA: An Interoperable AI System for Multimodal Skin Lesion Classification in Hospital Settings
编辑推荐：
皮肤癌日益成为全球医疗卫生领域面临的重大挑战，推动了人工智能系统在皮肤病变评估中的发展，并促使其高效整合至临床工作流程。本研究介绍了MEL-IA（MobilE skin Lesion dIAgnosis），一种专为自动化皮肤病变分类设计的可互操作AI系统，并可
皮肤癌日益成为全球医疗卫生领域面临的重大挑战，推动了人工智能系统在皮肤病变评估中的发展，并促使其高效整合至临床工作流程。本研究介绍了MEL-IA（MobilE skin Lesion dIAgnosis），一种专为自动化皮肤病变分类设计的可互操作AI系统，并可与医院信息系统实现完全整合。方法：该系统基于EfficientNet-B4多模态模型，结合皮肤镜图像与结构化临床元数据，采用ISIC 2019数据集的BCN_20000和MSK子集进行训练。内部稳健性通过分层5折交叉验证评估，外部泛化能力则在独立的HAM10000数据集上进行评估。互操作性与运营性能通过在实际医院环境中部署验证，采用HL7、DICOM、PACS及HIS/RIS系统。结果：分层五折交叉验证显示全局准确度为0.86，宏F1-分数为0.85，各类型受试者工作特征曲线下面积（AUC）均高于0.97。外部评估表明该模型在不同获取条件下具有良好的泛化能力，准确度达0.84，均衡准确度为0.65，其中黑色素瘤敏感度为0.60，基底细胞癌敏感度为0.72。多模态模型在所有类别上均优于纯图像模型基线。技术部署确认了完全的互操作性，研究整合成功率超过99%，且接近实时处理。结论：MEL-IA提供了多模态皮肤病变分类能力，并基于标准规范顺利整合至医院基础设施。研究结果证明了在面向皮肤科的临床工作流程中进行部署的技术可行性、互操作性与运营可行性。未来仍需进一步开展临床验证研究，以评估该系统对诊断决策和患者结局的影响。
皮肤癌已成为紧迫的全球性健康问题，2020年欧洲报告约144,000例新发黑色素瘤病例，美国每年有超过500万例非黑色素瘤和逾100,000例黑色素瘤新发病例，全球近18亿人受皮肤病困扰。早期发现对于改善临床结局和降低治疗复杂性至关重要，但皮肤病变的诊断过程复杂耗时，高度依赖皮肤科医师的专业经验，传统诊断方法虽有效却存在显著的主观性和观察者间差异，加重了临床医师的工作负担。
尽管人工智能（AI）和机器学习（ML）在皮肤病学诊断中展现出巨大潜力，卷积神经网络（CNN）、分割与分类算法以及生成模型已取得强劲性能，将这些系统引入临床实践仍面临困难，尤其是互操作性限制。现有应用如Legit.Health、Skinive、Medgic和MoleScope虽能进行图像分析，但与医院信息系统的整合仍然有限。在此背景下，研究人员开发了MEL-IA系统，旨在将多模态分类模型整合至支持图像采集、推理、存储和临床数据交换的医院环境中，使用互操作性标准实现从移动图像采集到PACS/EHR存储的工作流整合。
研究人员围绕三个科学问题展开研究：多模态分类器在ISIC 2019上训练后能否泛化至不同条件下获取的外部数据集；AI系统能否使用互操作性标准整合至真实医院环境；以及移动采集、后端推理和PACS/EHR整合的组合能否实时支持临床工作流。
**关键技术方法**
数据集方面，训练采用ISIC 2019挑战数据集的BCN_20000和MSK子集，外部验证采用独立HAM10000数据集。AI模型以EfficientNet-B4为骨干网络，采用迁移学习结合渐进式微调策略，通过复合缩放深度、宽度和分辨率实现准确度与计算成本的最优平衡。多模态架构设计包含两个分支：基于EfficientNet-B4的视觉分支提取深度图像特征，稠密分支处理患者年龄、性别和病变位置等结构化临床元数据，经连接层融合后实现五类皮肤病变（黑色素瘤MEL、痣NV、基底细胞癌BCC、光化性角化病AK、良性角化病BKL）的多分类。系统架构采用面向服务的架构（SOA）设计，利用RESTful Web服务实现组件间低耦合，通过Mirth Connect集成引擎协调移动应用、机器学习分类器和中央集成模块间的通信。数据工作流程涵盖：移动设备皮肤镜图像与临床元数据的结构化采集、安全传输至后端服务器、多模态推理融合图像与元数据、生成DICOM对象和HL7/FHIR消息、通过机构互操作性引擎整合至医院PACS和HIS/RIS系统。
**研究结果**
AI模型分类性能方面，分层五折交叉验证评估显示模型在所有诊断类别上均具有强判别性能。NV和BCC类别正确预测数最高，跨折叠保持高精度和敏感度。黑色素瘤（MEL）平均敏感度为0.88，特异度为0.95，F1-分数为0.82。AK和BKL变异性较大，AK存在向BCC或BKL误分类的倾向，但平均均衡准确度仍达0.87，BKL达0.89。所有类别平均AUC值均超过0.97，交叉验证最小变异性。模型平均总体准确度为0.86，宏平均和加权F1-分数均为0.85。
误分类的定性分析揭示，黑色素瘤误检主要与色素沉着梯度细微、边界对比度低或结构模式类似良性痣有关，对应早期或临床不典型黑色素瘤；NV和BCC误分类多与非典型表现相关，如 heavily pigmented BCC或具有不规则皮肤镜结构的痣；AK显示最大误分类变异性，弥漫性红斑或轻微角化病灶与BCC或BKL视觉重叠，假阳性常涉及角化过度病灶；BKL误分类主要与显示非典型角化模式或色素沉着不规则的病变有关。总体而言，大多数误分类源于临床挑战性或视觉模糊病灶，而非系统性模型失败。
移动应用原型方面，基于Apache Cordova框架开发跨平台移动应用，支持iOS和Android部署，采用MySQL数据库和NodeJS/Express后端服务，通过HTTPS安全通道确保医疗数据机密性和完整性。应用提供标准化表单结构化输入临床数据、交互式解剖选择器定位受累区域，上传或捕获皮肤镜图像后生成自动化诊断及置信度评分，诊断输出可导出HL7、DICOM、PDF、JSON和XML等多种标准格式。通过Mirth Connect引擎的集成通道，诊断结果成功整合至Hospital de San Juan de Alicante的PACS，实现医院环境内部署。应用还具备临床随访功能，支持活跃和已结案病例管理、病灶时间演变可视化、既往诊断回顾、新医学观察记录、诊断更新和临床事件结案。
外部与技术验证结果显示，系统可在现有临床基础设施内整合，多模态模型相较纯图像基线提供可测量的性能改进。系统级验证确认与PACS和HIS/RIS的高互操作性、现有工作流的保留、低错误率和近实时处理时间。模型级评估证明结构化临床元数据的纳入提升了分类稳健性，尤其在黑色素瘤和基底细胞癌方面，系统在异构数据集上保持一致的 Parlance 水平，表明具有意义的泛化能力。
**讨论**
MEL-IA的学术价值在于其不仅追求算法性能，更注重实际临床部署挑战。与现有技术相比，早期基于CNN和集成策略的研究达到约0.87-0.89的准确度和0.90以上的AUC；人机协作框架AUC超过0.90；部分模型在受控分类任务中表现优于皮肤科医师。Vision Transformers（ViT）和Swin Transformer等架构虽具竞争力，但在皮肤病学中的应用受高计算成本和真实临床环境验证缺乏所限。多模态方法整合临床元数据与皮肤镜图像通常带来2-4%的准确度或AUC提升。然而，多数研究依赖内部验证，高实验性能与真实临床环境部署间存在显著差距。
消费者导向的移动应用如SkinVision、Miiskin、Aysa和DermaScan作为自评工具，缺乏临床治理、DICOM生成、HL7/FHIR支持以及与PACS或HIS/RIS系统的连接。MEL-IA在实现具有竞争力内部性能的同时，罕见地结合了移动皮肤镜采集、多模态推理、PACS/EHR互操作性和外部验证能力。尽管外部数据集评估时宏F1-分数降至0.67，系统在NV和BCC上保持强劲性能，展示了超越训练分布的重大泛化能力，这被识别为临床转化的关键因素。
科学结果解释方面，交叉验证显示跨病变类别的一致强劲性能，NV和BCC判别力尤其高，MEL敏感度0.88、特异度0.95确保恶性病灶可靠检测。HAM10000外部验证在获取设备、类别不平衡和域迁移差异条件下展示合理稳健性：黑色素瘤敏感度0.60、特异度0.98（假阴性率0.40），NV和BCC分别保持高敏感度（0.94和0.72）和特异度（0.82和0.98），AK敏感度最低（0.27）但特异度很高（0.93），总体准确度0.84。
临床意义与伦理考量方面，MEL-IA的集成提供快速图像采集、自动化分析和与PACS/EHR完整整合等运营效益，可减少初级保健中非专科医师的决策支持需求，支持远程皮肤病学并改善医疗资源不足地区的照护可及性。系统设计上作为决策支持工具而非自主诊断系统，强调透明度、问责制和临床医师监督等伦理原则。数据隐私和安全通过医院控制基础设施内存储保障，可追溯的HL7/FHIR消息和DICOM对象提供结构化可审计数据流。
医院系统集成可行性方面，Mirth Connect作为互操作性引擎实现与PACS、HIS/RIS和EHR系统的通信，生成DICOM合规对象并传输至PACS，使用标准化HL7/FHIR消息交换临床信息。实际临床环境中处理980例皮肤病学研究，运行时间超过99%，中位延迟低于1秒，PACS摄入成功率超过99%。挑战包括异构医院基础设施间的灵活配置需求，网络安全、系统运行时间和持续AI模型维护需要临床、技术和IT团队密切协作。
局限性与未来工作方面，当前评估仅依赖公共皮肤镜数据集，真实智能手机配合兼容皮肤镜附件的测试有待实践验证；数据集缺乏皮肤科医师报告和多专家标注，阻止了直接专家比较；缺乏校准的临床阈值、潜在类别不平衡效应以及跨机构采集变异性的影响尚存；尽管运营验证展示可行性，正式前瞻性研究仍需量化诊断影响、工作流程效率和患者层面结局。未来工作将聚焦于临床医师参与试验、可用性评估、工作流程分析、不平衡处理策略整合，以及扩展至DF、VASC和SCC等代表性不足的病变类型。
**研究结论**
在本研究中，研究人员展示了MEL-IA，一种多模态且可互操作的AI系统，用于实时皮肤病变分类，完全整合至医院工作流程。通过结合皮肤镜图像分析与结构化临床元数据，并在基于HL7/DICOM/FHIR的Mirth Connect架构中运行，该系统作为临床信息生态系统的嵌入式组件而非独立算法发挥作用。
模型显示强劲的内部性能（准确度≈0.86；宏AUC≈0.97），NV和BCC结果尤为强劲。HAM10000外部验证确认其泛化能力，尽管采集条件异质，仍在大多数类别上保持高敏感度和特异度。误分类主要集中在临床模糊病灶，如不典型黑色素瘤或异质性角化病变，强化了临床医师监督的必要性，并将MEL-IA定位为决策支持工具而非自主诊断系统。
本工作的重要方面在于支持AI工具整合至医院环境的互操作性机制的实现。MEL-IA成功整合至Hospital de San Juan de Alicante的PACS和HIS/RIS，生成DICOM合规输出和直接汇入患者EHR的HL7/FHIR消息，确保可追溯性、可审计性和与临床治理要求的一致性。
总之，研究结果支持MEL-IA在医院环境中的技术可行性、互操作性和运营可行性。通过将多模态AI诊断与为临床环境设计的互操作性相结合，其为将皮肤病学决策支持整合至现有临床工作流程提供了框架。未来工作将聚焦于前瞻性临床评估、智能手机图像采集和扩展病变类别，以增强真实临床环境中的适用性和安全性。
