【编者按】
人工智能正重塑皮肤科诊疗格局。研究表明，大多数皮肤科医生已准备好拥抱AI工具，以提升诊疗效率与精准度。对患者而言，AI驱动的图像识别技术能实现皮肤病变的早期筛查，为及时干预赢得宝贵时间。这种技术革新不仅优化了医疗资源配置，更构建起从临床诊断到公共卫生管理的智能闭环，标志着皮肤病防治进入精准医疗新阶段。
此外，对于普通患者而言，在线论坛为他们提供了讨论健康问题（包括皮肤病）的平台。使用基于图像的适当AI工具可以让患者及早发现和治疗潜在疾病。及时诊断和治疗罕见及传染性皮肤病具有重要的临床价值，因为它们可以促使皮肤科医生制定适当的治疗方案，改善患者体验，降低长期后遗症的风险，并减少严重皮肤不良反应或侵袭性皮肤癌的发生率和死亡率。在宏观层面，这将有助于医疗资源的最佳利用，包括针对性治疗和适当转诊至专科医生。这可以缓解医疗系统的压力，并最大限度地减少医疗资源的浪费。此外，AI诊断信息可以更直接、系统地整合到其他系统中，为公共卫生干预、政策制定和资源分配提供信息。
皮肤病在中国构成了重大挑战。互联网健康论坛为数百万用户提供了讨论皮肤病和分享图像以进行早期干预的平台，留下了大量有价值的皮肤病学图像。然而，数据质量和标注问题限制了这些资源在开发诊断模型方面的潜力。在本研究中，我们提出了一种深度学习模型，利用来自不同在线来源的未标注皮肤病学图像。我们采用对比学习方法从未标记图像中学习通用表示，并对来自互联网论坛的粗略标注图像进行微调。我们的模型能够分类22种常见皮肤病。为了提高标注质量，我们使用了一种聚类方法，配合少量标准化验证图像。我们在由来自15家三甲医院的33名经验丰富的皮肤科医生收集的图像上测试了该模型，并实现了45.05%的top-1准确率，比已发布的基线模型高出3%。准确率随着额外验证图像的加入而提高，在每类50张图像时达到49.64%。我们的模型还展示了对新任务的可迁移性，例如检测猴痘，在训练过程中仅使用50张额外图像就实现了61.76%的top-1准确率。我们还在基准数据集上测试了我们的模型，以展示其泛化能力。我们的发现凸显了在线论坛中未标注图像在未来皮肤病学应用中的潜力，并证明了我们的模型在早期诊断和潜在疫情缓解方面的有效性。
皮肤病在中国构成了重大挑战。每年有多达2.4亿次皮肤科就诊，其中80%是针对黑色素瘤以外的皮肤病。然而，医疗资源分布不均和皮肤科医生短缺可能导致误诊和医疗成本上升。为了改善预后并降低社会成本，准确、便捷地诊断皮肤病至关重要。由于摄影在诊断中的广泛使用，人工智能在皮肤病学中显示出巨大潜力。然而，大多数AI应用专注于良性和恶性病变的诊断，使得AI在更广泛皮肤病领域的潜力在很大程度上尚未被探索。
使用机器学习方法及其基于照片的卷积神经网络深度学习分支进行皮肤病诊断已受到广泛关注。虽然高质量图像对于训练AI模型至关重要，但收集这些图像的人工成本可能极其昂贵。幸运的是，自监督对比学习的最新进展提供了一个解决方案。这些方法能够使用大量未标记或非严格标记的图像对模型进行预训练，并在各种任务中表现出色。先前已有研究探索对比学习在皮肤病诊断中的应用，强调其提取一致表示以及增强泛化能力和诊断准确性的能力。
