皮肤病诊断和监测的人工智能最新进展

皮肤病患病率高，影响全球1/3的人口，造成重大的医疗负担。深度学习可以通过神经网络处理皮肤图像进行预测来优化医疗保健工作流程。深度学习研究的一个重点是通过皮肤病变分类检测癌症，但是皮肤病有超过 2000 种疾病，这些疾病人工智能应用较少。

现在除了皮肤癌症外，研究最多的疾病是痤疮、银屑病、湿疹、玫瑰痤疮、白癜风、荨麻疹。AI在诊断这些疾病时具有高度特异性和不同的敏感性。

AI诊断痤疮（94%)、红斑痤疮 (94%)、湿疹 (93%) 和银屑病 (89%) 的准确性较高。银屑病（93–100%）、湿疹（88%）和痤疮（67–86%）的严重程度分级准确度最高。但是目前的AI研究仍存在某些局限性。

近年来，深度学习 (deep learning，DL) 已成为 ML 领域使用最广泛的计算方法。深度学习受人脑信息处理模式的启发，基于从大数据中学习的多层人工神经网络。

一般来说，深度学习研究中使用 3 种类型的数据集：训练、验证和测试。训练数据集用于派生深度学习模型，其中算法被「拟合」以执行特定功能。然后使用验证数据集来评估模型的性能，同时微调其架构。测试数据集提供了模型的最终评估。

人们对深度学习医学应用的兴趣主要集中在放射、眼科、病理学和皮肤病学领域。皮肤科在使用深度学习增强疾病诊断和严重程度评估方面具有巨大的潜力，可以提高医疗保健效率并降低成本。

深度学习研究的一个主要焦点是协助临床医生根据图像诊断皮肤癌，荟萃分析发现 AI 诊断黑色素瘤的准确性与皮肤科医生的诊断相当。

总体而言，AI研究最多的皮肤疾病是痤疮、银屑病、湿疹、玫瑰痤疮、白癜风和荨麻疹。最常见的皮肤病类别是炎症性、毛囊性、色素性和感染性疾病。

深度学习算法主要是为了疾病诊断而开发的，而不是严重性评估。诊断深度学习算法最常用于治疗痤疮、银屑病和湿疹。疾病严重程度 DL 算法最常针对痤疮 和银屑病开发。大多数图像数据集包含皮肤、头发或指甲的大观图像。皮肤镜图像最常用于治疗银屑病 和湿疹。

最常见的深度学习算法类型是卷积神经网络 (Convolutional neural network，CNN) 和深度卷积神经网络 (deep convolutional neural networks，DCNN)。一般认为 CNN 和 DCNN 是等同的技术，因为「深度」指的是算法架构中的层数，而大多数现代CNN由大量层组成。

第一项 CNN/DCNN 研究出现于 2017 年。到 2021 年，85% 研究应用了 CNN/DCNN 算法。Ensemble DL 算法结合了多种 DL 算法来提高预测性能，首次出现于 2018 年，但与随后几年的 CNN/DCNN 相比，使用频率较低。现在认为多层感知器 (Multilayer perceptron，MLP)和人工神经网络 (artificial neural networks，ANN) 是过时的 DL 类型，也不太常用。

准确性（主要结果）是评估所有深度学习算法性能时最常报告的结果。深度学习算法对六种研究最多的疾病（痤疮、银屑病、湿疹、玫瑰痤疮、白癜风、荨麻疹）的中位诊断准确率很高。

深度学习算法对五类皮肤病（炎症性疾病、毛囊性疾病、脱发、色素性疾病、皮肤感染）的中位诊断准确度较高。严重程度分级深度学习算法的准确性深度学习算法对银屑病严重程度进行分级的准确性为 93-100% 。诊断 DL 算法的中位特异性很高，范围从白癜风的 88%到荨麻疹的 100%。

五种疾病类别（炎症性疾病、毛囊疾病、脱发、色素性疾病、皮肤感染）的诊断深度学习算法总体上具有高度特异性，但具有不同的敏感性。

我们对当前深度学习研究的可靠性和适用性的研究结果表明，应该对其研究结果持有谨慎态。所报告的深度学习算法存在一些关键局限性，这使得其在现实世界的临床适用性受到质疑。其中包括研究设计的异质性和缺乏随机对照试验。

深度学习算法的普适性也受到对研究参与者的数量、年龄、性别和肤色的捕捉不佳的限制。大多数 AI 研究都处于早期发展阶段，其中 84% 表示在临床使用之前需要进一步的前瞻性工作或试验。

值得注意的是，目前 FDA 还没有批准与皮肤科相关的支持 AI/ML 的医疗设备，并且在 FDA 最新更新中列出的 521 种设备中，大多数应用于放射科 (75%)，其次是心血管 (11%) 专业。