一个由近畿大学（Kindai University）医学部皮肤科的山本春代（Haruyo Yamamoto）、中岛千纱（Chisa Nakashima）和大塚淳（Atsushi Otsuka）领导的研究团队，联合近畿大学工程学院及其他机构，开发出一种利用人工智能（AI）准确识别面部色素性病变类型并支持激光治疗决策的诊断系统。该研究论文于2025年6月5日在线发表在国际医学期刊《Cureus》上。
1. 关键点
- 在识别五种病变类型时，展现了比皮肤科医生更高的诊断准确性，确认了该系统在早期检测和治疗决策中的实用性。
- 开发了一种使用AI准确分类并辅助诊断五种难以确诊的面部色素性病变的系统。
- 有助于建立一种准确识别色素性病变、降低误治风险并支持适当治疗决策的方法。
2. 研究背景
面部色素性病变包括黄褐斑（melasma）、雀斑（ephelides）、获得性真皮黑素细胞增多症（acquired dermal melanocytosis）、日光性黑子（solar lentigo）和恶性黑素瘤（lentigo maligna melanoma）等多种类型，但它们通常外观相似，这使得鉴别诊断具有挑战性。此外，针对这些病变的适当治疗方法因类型而异，准确诊断至关重要，因为这直接影响到激光治疗的可行性和选择。例如，不适当的激光使用可能加重黄褐斑，而由于误诊延误对恶性黑素瘤必要的手术切除可能会带来严重后果。近年来，使用深度学习模型的影像诊断技术受到关注，研究表明其在区分皮肤病变方面的准确性等于或高于皮肤科医生。虽然基于深度学习的影像诊断在检测黑色素瘤方面取得了成功，但对于与激光治疗规划直接相关的面部良性及恶性色素性病变研究不足，因此需要开发诊断支持系统。
3. 内容
研究团队开发了一个分类系统，使用深度学习模型InceptionResNetV2和DenseNet121来识别五种面部色素性病变（黄褐斑、雀斑、获得性真皮黑素细胞增多症、日光性黑子和恶性黑子/恶性黑素瘤）。通过432张临床图像进行训练和验证，并将其诊断准确性与9名认证皮肤科医生（专家）和11名非认证皮肤科医生（非专家）的诊断进行比较。两种模型分别展示了87%和86%的诊断准确性，均超过了专家组80%和非专家组63%的中位诊断准确性。特别是在识别恶性黑子/恶性黑素瘤时，两种模型都达到了100%的敏感性，表明其作为临床实践中诊断支持工具的潜在用途。
基于这些结果，所开发的深度学习模型在诊断面部色素性病变方面的准确性远超皮肤科医生，可能有助于诊断支持和制定适当的治疗计划。
(全文结束)
