摘要：现如今人工智能（AI）工具已经走进寻常百姓家。那么AI是否能够用于临床工作，并减轻医生的工作负担呢？在本届美国皮肤病学会（AAD）的会议中，关于AI在皮肤科中应用的讨论也如火如荼。近日，来自哈佛医学院的Yevgeniy R. Semenov教授以及来自加州大学
撰文 | 黄辅晨
现如今人工智能（AI）工具已经走进寻常百姓家。那么AI是否能够用于临床工作，并减轻医生的工作负担呢？在本届美国皮肤病学会（AAD）的会议中，关于AI在皮肤科中应用的讨论也如火如荼。近日，来自哈佛医学院的Yevgeniy R. Semenov教授以及来自加州大学洛杉矶分校（UCLA）的Shannon Wongvibulsin博士在本次AAD会议上带来了一场关于AI在皮肤科应用的精彩学术分享。
AI在皮肤科中的应用
来自哈佛医学院的Yevgeniy R. Semenov教授全面且深入地展示了AI在皮肤科领域的多元应用，聚焦图像分析、临床决策支持、运营管理等方面，揭示AI在皮肤科医疗各个环节中的作用。
AI用于图像分析
卷积神经网络（CNN）：是一种专门为处理具有网格结构数据（如图像、音频）而设计的深度学习神经网络架构，能够自动学习和识别医学图像中的模式，广泛用于皮肤病变的诊断。AI在皮肤科最常见的应用之一就是皮肤镜图像分析。一项研究表明[2]，在皮肤镜图像分析方面，基于CNN架构的AI模型展现出惊人的能力，其识别黑色素瘤皮肤镜图像的准确率超越了研究中所有皮肤科医生。图1.CNN在皮肤科中的应用（图源讲者PPT）
另一项评估了一个开源的AI算法在皮肤镜黑色素瘤诊断中的准确性，并探讨其对皮肤科医生决策的影响[3]。结果表明在皮肤科医生结合AI进行辅助诊断后，对黑色素瘤风险的评估能力有所提高（AUC从0.7798增至0.8161，P= 0.042），进一步验证了AI在临床辅助诊断中的潜力。图2.AI在临床辅助诊断中的潜力（图源讲者PPT）
AI在皮肤病数字摄影的应用
数字摄影也是AI在皮肤科应用的重要方向。全身皮肤影像检查（TBP）通过高分辨率摄影记录患者全身皮肤的状况，用于跟踪皮肤病变的变化，特别是黑色素瘤等皮肤癌的早期检测和监测。结合AI技术，TBP影像可用于自动识别和分析可疑病变，提高诊断效率。此外，TBP影像也可用于评估如银屑病、特应性皮炎等炎症性皮肤病的累及范围，辅助疾病管理[4]。图3.TBP影像在皮肤科的应用（图源讲者PPT）
AI在皮肤病理学中的应用
AI还可用于数字病理切片分析，显著提高病理诊断的效率。研究表明[5]，AI诊断基底细胞癌、黑色素瘤与良性色素痣的准确率较高，能够减轻病理科医生的工作负担。图4.组织病理图像经系统识别后输出的图像。（红色表示癌症区域，蓝色表示正常区域）（图源讲者PPT）
AI在皮肤病理学中的核心价值在于自动化处理繁琐任务，如：计算恶性黑色素瘤的核分裂象；评估瘤细胞的浸润深度等。此外，AI还能在莫氏显微手术中帮助检测细微的癌细胞浸润，提高手术精确度，减少正常组织切除，提高患者治疗效果。
AI对精准临床决策提供支持
AI工具可以推动精准医学的发展。大数据在医疗中的应用日益广泛，AI可以通过整合多种数据来源，用于预测不同的临床结局。这些AI模型不仅结合电子病历中的临床数据，还整合组织样本的分子生物学信息及病理影像数据。这些AI工具不仅可用于预测疾病的发生风险，还能进一步帮助医生判断疾病的发展趋势，为个性化诊疗提供科学支持，从而推动精准医学的临床应用。
Semenov教授分享了自己实验室的研究成果，应用机器学习算法从电子病历系统以及组织病理学中提取信息，可预测黑色素瘤复发风险，为个性化治疗提供科学依据。研究结果显示[6]，在复发分类预测方面，内部和外部验证的AUC分别为0.845和0.812，此外Breslow肿瘤厚度和有丝分裂率是最具预测价值的特征。研究表明[7]，机器学习算法能够从临床病理特征中提取黑色素瘤复发的预测信号，有助于识别可能从辅助免疫治疗中获益的高危患者，为个性化治疗提供科学依据。AI用于运营管理
在运营管理方面，像DeepScribe这样基于AI的医疗记录自动化软件，能将医生与患者的交流实时转化为结构化电子病历，减轻医生文书工作负担。此外，大语言模型还能分析患者病历以及检查信息，辅助患者诊疗；AI也可以自动生成医疗相关的患者教育文本，例如特应性皮炎患者日常护理方案等等。
AI于皮肤病学的警示面
尽管AI在皮肤科有很广阔的应用前景，但同时也不能忽视AI给患者带来的一系列安全问题。来自加州大学洛杉矶分校（UCLA）的Shannon Wongvibulsin 博士提出：对于AI在皮肤病学领域的应用仍需保持警惕。Wongvibulsin博士强调，如果AI在缺乏医生监管的情况下被盲目应用，可能带来不良影响。
她指出了AI在皮肤病学应用中的三大主要问题：首先是数据代表性问题，由于训练数据缺乏各种肤色的可靠数据，可能导致对深色皮肤的诊断准确性下降，造成偏倚；其次是安全性与可靠性问题，现有的AI工具在受控环境中表现良好，但在复杂的临床实际中往往适应性不足，增加了自动化偏倚的风险；最后是成本与可及性问题，高昂的人工智能训练成本可能加剧数字鸿沟，而不断变化的监管环境也使推广变得更加复杂。
数据代表性：AI训练数据的偏倚问题
数据质量对于AI的算法至关重要。如果没有足够高质量的数据，AI工具的临床价值将大打折扣。然而，目前在医学领域，高质量、多样化的数据仍然缺乏。例如，经典的皮肤科教材中大多以白人皮肤为主，而关于有色人种皮肤病变的图像和信息相对较少，这导致医生在面对有色人种患者时，诊断难度更大。同样的问题也影响AI模型的表现。研究发现[8]，许多AI诊断系统在识别深色皮肤病变方面的准确率较低，原因正是训练数据的不均衡。此外，AI可能受到人为标记的影响。例如，一项研究发现[9]，在皮肤镜图像识别黑色素瘤的AI模型中，算法常常错误地将墨水标记作为主要诊断依据，而非实际的皮肤病变。这表明，如果AI的训练数据和设计存在缺陷，它可能会提供误导性的信息，甚至导致错误的临床决策。因此，我们在使用AI时，必须确保训练数据的多样性和质量，否则AI可能无法真正提高医疗水平。安全性与可靠性：AI在真实临床环境中的局限性
近年来，我们经常看到报道称AI在某些情况下的诊断准确率甚至超过了医生。然而，我们必须关注这些AI模型是如何被评估的。许多研究基于标准化的临床选择题来测试AI，而现实世界中的诊疗远比答题复杂。医生不仅要综合病史、体格检查和实验室数据，还要与患者进行深入交流，以获取关键信息。当前的AI诊断工具在这种多层次交互环境下的表现仍然存在很大局限性。
为了解AI在实际临床沟通中的表现，Wongvibulsin博士团队设计了CRAFT-MD框架，模拟AI与患者之间的对话场景。结果显示[10]，如果仅通过病史摘要进行测试，AI的诊断准确率可能较高，但在真实的多轮交互场景中，其准确率明显下降。这提醒我们，不能仅凭高准确率的研究数据盲目信任AI，而是要深入了解其适用范围和局限性。另一个值得关注的问题是自动化偏倚（Automation Bias）。研究发现[11]，即使是经验丰富的皮肤科医生，也可能受到AI诊断结果的影响，盲目接受AI的判断，而忽略其他可能性。一篇来自JAMA的研究发现[12]，即使AI透明地展示其诊断依据，这种偏倚仍然存在。这说明，在临床实践中，医生需要保持独立判断，而不应完全依赖AI的诊断结果。此外，近年来大量智能手机应用宣称能够检测皮肤癌或分析痣的良恶性，但许多此类应用的准确性和安全性仍然存疑。发表在JAMA Dermatology的一项研究[13]评估了41款皮肤科AI相关应用，仅5款有可靠的科学证据支持其有效性，而只有16款应用在诊断过程中有皮肤科医生的介入。这表明，当前的AI皮肤科工具仍需更多验证，不能轻易应用于临床实践。成本与可及性：AI医疗应用的经济与伦理挑战
AI在医疗中的应用成本高昂，这不仅包括AI训练本身的费用，还涉及患者和医疗机构的支出问题。例如，使用AI进行乳腺癌筛查，每位患者的额外检测费用可能在40至100美元之间。如果将AI广泛应用于皮肤科，患者的医疗支出可能进一步增加，而这种额外成本未必能转化为更优质的医疗服务。对于医疗资源有限的地区或经济能力较低的患者来说，AI可能反而加剧医疗不公平。
此外，AI训练需要庞大的计算资源。例如，训练ChatGPT等大型模型的成本高达数百万美元。如果医疗机构依赖此类AI工具，相关的经济负担最终可能转嫁给患者或政府医保体系。与此同时，患者数据的隐私保护也是一大挑战。医疗AI需要大量真实的患者数据进行训练，这可能带来数据泄露的风险，加剧患者的隐私担忧。
AI在医疗中的法律责任问题
除了数据、可靠性和成本问题，AI在医疗中的法律责任归属仍不明确。如果AI误诊导致患者伤害，那么责任应该由谁承担？目前，许多国家的法律仍在制定相关监管政策。例如，美国医学协会（AMA）正在探讨AI是否可以在符合美国食品药品监督管理局（FDA）和州法律的前提下，作为合法的医疗工具开具处方。这一问题仍存在诸多不确定性，值得我们持续关注。
小结
综上所述，AI在皮肤科的应用潜力巨大：可应用于皮肤镜、数字摄影和数字病理等图像分析；可利用大数据提供更好的临床决策支持；还能够提高临床工作效率，减轻医生工作压力，包括减少文书负担和优化临床工作流程等。但我们仍需保持警惕，特别是在数据质量、安全性、成本及法律责任等方面。在AI发展迅速的今天，我们不能被技术的表面优势所迷惑，而是要深入理解其局限性，确保其在医疗实践中的应用符合伦理、安全并有助于改善患者护理。
专家点评
纪超教授
此次
AAD年会上， Semenov教授全面且深入地展示了AI在皮肤科领域的多元应用。从基础概念、图像分析、临床决策支持到运营管理，AI正逐步渗透到皮肤科医疗的各个环节。Shannon Wongvibulsin博士则强调，尽管AI在皮肤病学中具有巨大潜力，但其局限性仍然不可忽视，主要存在数据代表性、安全性及成本问题等几个问题，这也给我们起到了警示作用。未来，AI若能在医生深度参与下优化算法、完善数据训练，并与国家分级诊疗体系相结合，有望真正助力皮肤病学的发展，使广大患者受益，实现医疗公平与高质量诊疗的统一。专家简介
纪超 教授
主任医师，博士生导师
福建医科大学附属第一医院皮肤病分院 副院长
中华医学会皮肤性病学分会 常务委员
中国医师协会皮肤科医师分会 常务委员
福建省医学会皮肤性病学分会 主任委员
作者简介
黄辅晨 硕士
福建医科大学附属第一医院皮肤科研究生
研究方向：皮肤病理学、皮肤免疫学
参考文献：
[1]Li Z, Koban KC, Schenck TL, Giunta RE, Li Q, Sun Y. Artificial Intelligence in Dermatology Image Analysis: Current Developments and Future Trends. J Clin Med. 2022;11(22):6826. doi:10.3390/jcm11226826
[2]Pham TC, Luong CM, Hoang VD, Doucet A. AI outperformed every dermatologist in dermoscopic melanoma diagnosis, using an optimized deep-CNN architecture with custom mini-batch logic and loss function. Sci Rep. 2021;11(1):17485. doi:10.1038/s41598-021-96707-8
[3]Marchetti MA, Cowen EA, Kurtansky NR, et al. Prospective validation of dermoscopy-based open-source artificial intelligence for melanoma diagnosis (PROVE-AI study). NPJ Digit Med. 2023;6(1):127. doi:10.1038/s41746-023-00872-1
[4]Du-Harpur X, Watt FM, Luscombe NM, Lynch MD. What is AI? Applications of artificial intelligence to dermatology. Br J Dermatol. 2020;183(3):423-430. doi:10.1111/bjd.18880
[5]Arevalo J, Cruz-Roa A, Arias V, Romero E, González FA. An unsupervised feature learning framework for basal cell carcinoma image analysis. Artif Intell Med. 2015;64(2):131-145. doi:10.1016/j.artmed.2015.04.004
[6]Wan G, Nguyen N, Liu F, et al. Prediction of early-stage melanoma recurrence using clinical and histopathologic features. NPJ Precis Oncol. 2022;6(1):79. doi:10.1038/s41698-022-00321-4
[7]Wan G, Leung BW, DeSimone MS, et al. Development and validation of time-to-event models to predict metastatic recurrence of localized cutaneous melanoma. J Am Acad Dermatol. 2024;90(2):288-298. doi:10.1016/j.jaad.2023.08.105
[8]Daneshjou R, Vodrahalli K, Novoa RA, et al. Disparities in dermatology AI performance on a diverse, curated clinical image set. Sci Adv. 2022;8(32):eabq6147. doi:10.1126/sciadv.abq6147
[9]Winkler JK, Fink C, Toberer F, et al. Association Between Surgical Skin Markings in Dermoscopic Images and Diagnostic Performance of a Deep Learning Convolutional Neural Network for Melanoma Recognition. JAMA Dermatol. 2019;155(10):1135-1141. doi:10.1001/jamadermatol.2019.1735
[10]Johri S, Jeong J, Tran BA, et al. An evaluation framework for clinical use of large language models in patient interaction tasks. Nat Med. 2025;31(1):77-86. doi:10.1038/s41591-024-03328-5
[11]Jabbour S, Fouhey D, Shepard S, et al. Measuring the Impact of AI in the Diagnosis of Hospitalized Patients: A Randomized Clinical Vignette Survey Study. JAMA. 2023;330(23):2275-2284. doi:10.1001/jama.2023.22295
[12]Khera R, Simon MA, Ross JS. Automation Bias and Assistive AI: Risk of Harm From AI-Driven Clinical Decision Support. JAMA. 2023;330(23):2255-2257. doi:10.1001/jama.2023.22557
[13]Wongvibulsin S, Yan MJ, Pahalyants V, Murphy W, Daneshjou R, Rotemberg V. Current State of Dermatology Mobile Applications With Artificial Intelligence Features. JAMA Dermatol. 2024;160(6):646-650. doi:10.1001/jamadermatol.2024.0468
意犹未尽？没关系！
电子壁报、视频解读、大会资讯、专家带你看这里都有
AAD专区已正式开放，还不快来关注！
责任编辑：大晨
*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
来源：医学界皮肤频道
