一种新的AI工具能够通过同时分析多种类型的图像来更快、更准确地检测黑色素瘤及其他皮肤疾病，该工具由莫纳什大学领导的一个国际研究团队开发。
在《自然医学》杂志上发表的一篇文章中，PanDerm是首批专门用于辅助现实世界皮肤病医疗实践的AI模型之一，它能够分析包括特写照片、皮肤镜图像、病理切片和全身照片在内的多种类型图像。
一系列评估显示，当医生使用PanDerm时，皮肤癌诊断的准确性提高了11%。该模型还帮助非皮肤科医生提高了对各种其他皮肤状况的诊断准确性，提高了16.5%。
它还显示出早期检测皮肤癌的能力，在临床医生发现之前识别出令人担忧的病变。
PanDerm接受了超过200万张皮肤图像的训练，数据来自多个国家的11个机构，涵盖了四种类型的医学图像。
AI和计算机视觉专家、该研究的主要共同作者之一、莫纳什大学信息技术学院副教授Zongyuan Ge表示，现有的皮肤病学AI模型仍然局限于孤立的任务，例如从皮肤镜图像中诊断皮肤癌；这些图像是使用皮肤镜工具拍摄的放大皮肤图像。
“以前的AI模型难以整合和处理各种类型的数据和成像方法，这降低了它们在不同现实世界环境中的实用性，”Ge副教授说。
“PanDerm是一种旨在与临床医生合作的工具，帮助他们解释复杂的成像数据并更有信心地做出决策。”
与现有模型（仅训练执行单一任务）不同，PanDerm在广泛的临床任务中进行了评估，如皮肤癌筛查、预测癌症复发或扩散的可能性、皮肤类型评估、痣计数、跟踪病变变化、诊断各种皮肤状况以及分割病变。
它始终提供了同类最佳的结果，通常只需要正常标记数据的5%-10%。
在临床环境中，PanDerm作为一个支持工具，分析医生日常使用的各种皮肤图像。系统处理这些图像并提供诊断概率评估，帮助临床医生更自信地解释视觉数据。
这种集成特别有助于提高非专业人员的诊断准确性，检测随时间变化的细微病变，并评估患者的风险水平。
第一作者、莫纳什大学工程学院博士生Siyuan Yan表示，多模态方法是该系统成功的关键。
“通过在不同成像技术的各种数据上训练PanDerm，我们创建了一个系统，能够像皮肤科医生一样理解皮肤状况；通过综合来自各种视觉来源的信息，”Yan先生说。
“这比以前的单模态AI系统提供了更全面的皮肤疾病分析。”
随着皮肤状况现在影响全球70%的人口，早期检测至关重要，并可以带来更好的治疗结果。
论文的主要共同作者、Alfred Health维多利亚州黑色素瘤服务主任Victoria Mar教授表示，PanDerm在帮助检测随时间变化的细微病变方面显示出潜力，并提供有关病变生物学和未来扩散风险的线索。
“这种支持可以帮助早期诊断并对有黑色素瘤风险的患者进行更一致的监测，”Mar教授说。
“在医院或诊所环境中，医生使用多种方式和不同类型图像来诊断皮肤癌或其他皮肤状况。”
昆士兰大学皮肤病学研究中心主任、该研究的主要共同作者之一H. Peter Soyer教授表示，由于城市、地区和农村医疗空间资源水平的不同，成像和诊断技术也可能存在差异。
“PanDerm的优势在于其支持现有临床工作流程的能力，”Soyer教授说。
“在繁忙或资源有限的环境中，特别是在初级保健中，访问皮肤科医生可能有限的情况下，它可能特别有价值。”
“我们看到，即使在只有少量标记数据的情况下，该工具也表现出色，这是在标准注释数据通常有限的多样化医疗环境中的一大优势。”
维也纳医科大学皮肤病学系高级共同作者Harald Kittler教授表示，PanDerm展示了如何通过全球合作和多样化的临床数据来构建不仅技术强大而且在不同医疗系统中具有临床相关性的AI工具。
“它在包括欧洲在内的各种现实世界环境中支持诊断的能力是在全球范围内使皮肤病学专业知识更加可及和一致的一步，”Kittler教授说。
尽管显示出有希望的研究结果，但PanDerm目前仍在评估阶段，尚未广泛应用于医疗保健。
展望未来，研究人员计划开发更全面的评估框架，以涵盖更广泛的皮肤病学状况和临床变异。
该团队计划建立跨人口评估的标准协议，并进一步调查该模型在各种现实世界临床环境中的表现，特别关注确保在不同患者群体和医疗环境中的公平表现。
(全文结束)
