韩国仁川，2025年11月17日 —— 黑色素瘤作为致死率最高的皮肤癌类型，每年导致数千人死亡，但早期检测可大幅提升患者生存率。如今，科学家成功开发出先进的人工智能模型，通过融合皮肤图像与患者元数据实现更精准的黑色素瘤检测。此项研究准确率达94.5%，标志着人工智能驱动的黑色素瘤早期检测取得重大突破，从而推进智能医疗系统发展。
由于黑色素瘤常与无害痣或皮损相似，其诊断难度居皮肤癌之首。现有大多数人工智能工具仅依赖皮肤镜图像，常忽视患者年龄、性别或病灶位置等关键临床信息，而这些信息对提升诊断精度至关重要。这凸显了多模态融合模型在实现高精度诊断中的重要性。
为填补这一空白，韩国仁川国立大学嵌入式系统工程系权基麟（Gwangill Jeon）教授携手英国西英格兰大学、安格利亚鲁斯金大学及加拿大皇家军事学院，创建了整合患者数据与皮肤镜图像的深度学习模型。该研究于2025年6月6日在线发布，将于2025年12月1日刊载于《信息融合》期刊第124卷。
权基麟教授表示："皮肤癌尤其是黑色素瘤，早期检测对生存率具有决定性影响。鉴于仅凭视觉特征难以确诊黑色素瘤，我认识到需要开发能同时考量影像数据与患者信息的AI融合技术。"
研究团队基于包含3.3万余张皮肤镜图像及临床元数据的大型SIIM-ISIC黑色素瘤数据集进行模型训练，使人工智能系统识别皮肤表征与患者特征间的细微关联。该模型准确率达94.5%，F1分数为0.94，性能超越ResNet-50和EfficientNet等主流纯图像模型。
研究人员还通过特征重要性分析增强系统透明度与稳健性。分析显示病灶尺寸、患者年龄及解剖位置等因素对精准检测贡献显著。这些洞见有助于医生理解AI诊断逻辑，建立对人工智能诊断结果的信任基础。
权基麟教授强调："该模型不仅服务于学术研究，更可转化为实用工具革新现实中的黑色素瘤筛查。本研究能直接应用于开发同时分析皮肤病变图像与基础患者信息的AI系统，实现黑色素瘤早期检测。"
未来，该模型有望赋能基于智能手机的皮肤诊断应用、远程医疗系统或皮肤科诊所的AI辅助工具，降低误诊率并提升医疗服务可及性。权基麟教授解释："此项研究代表通过AI融合技术迈向个性化诊断与预防医学的重要一步。"
该研究彰显多模态人工智能如何弥合机器学习与临床决策间的鸿沟，为更精准、可及且可信的皮肤癌诊断开辟道路。
【全文结束】
