深度学习

韩国仁川，2025年11月17日 /美通社/ — 黑色素瘤是最致命的皮肤癌类型，每年导致数千人死亡，但早期检测可显著提高生存率。如今，科学家开发出一种先进的人工智能模型，通过结合皮肤图像和患者元数据，能够更准确地检测黑色素瘤。该研究达到94.5%的准确率，标志着AI驱动的黑色素瘤早期检测取得突破，从而推进智能医疗系统发展。

一个国际研究团队开发的新型深度学习系统通过融合皮肤镜图像和患者元数据（如年龄、性别和病变位置），以94.5%的准确率检测黑色素瘤。该方法通过智能医疗技术提高了诊断精度、透明度和早期皮肤癌检测的可及性。
黑色素瘤仍然是最难诊断的皮肤癌之一，因为它经常模仿无害的痣或病变。虽然大多数人工智能工具仅依赖皮肤镜图像，但它们往往忽略了可以提高诊断准确性的关键患者信息（如年龄、性别或病变在身体上的位置）。这凸显了能够实现高精度诊断的多模态融合模型的重要性。

为弥补这一差距，韩国仁川国立大学嵌入式系统工程系的Gwangill Jeon教授与西英格兰大学（英国）、安格利亚鲁斯金大学（英国）和加拿大皇家军事学院合作，创建了一个整合患者数据和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，并将于2025年12月1日发表在《信息融合》期刊第124卷。

研究团队使用包含超过33,000张皮肤镜图像及配套临床元数据的大规模SIIM-ISIC黑色素瘤数据集，训练其AI模型识别皮肤表现与患者特征之间的微妙联系。该模型达到94.5%的准确率和0.94的F1分数，优于ResNet-50和EfficientNet等流行的纯图像模型。
研究人员还进行了特征重要性分析，使系统更加透明和稳健。研究发现，病变大小、患者年龄和解剖部位等因素对准确检测有重要贡献。这些见解可以帮助医生理解并为信任AI执行的诊断提供路线图。

未来，该模型可为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辅助工具提供支持，有助于降低误诊率并改善医疗服务的可及性。

该研究强调了多模态AI如何弥合机器学习与临床决策之间的差距，为更准确、可及和值得信赖的皮肤癌诊断铺平道路。

一个国际研究联盟在黑色素瘤检测领域取得了突破性进展，推出了一种新型深度学习系统，该系统将皮肤镜成像与关键患者元数据相结合，显著提高了诊断准确性。这种创新方法将视觉数据与年龄、性别和病变位置等背景患者信息相融合，解决了主要依赖图像的传统AI模型的关键缺陷。

黑色素瘤因其对良性痣和病变的欺骗性模仿而臭名昭著，持续挑战着全球临床医生。早期识别至关重要，因为晚期诊断的生存率会急剧下降。传统诊断技术常常因黑色素瘤微妙多变的视觉表现而受阻。此外，现有的AI诊断系统主要孤立分析皮肤镜图像，忽略了可以显著改进诊断的细微但显著的临床变量。

研究人员利用了广泛的SIIM-ISIC黑色素瘤数据集，该数据集包含超过33,000张高分辨率皮肤镜图像，并与全面的临床元数据精心配对。这个存储库使模型能够学习像素模式之间以及患者人口统计和解剖因素之间的复杂关联，促进了更丰富、更具上下文感知的分析。

一个核心创新在于模型执行特征重要性分析的能力，阐明了哪些参数对其决策最关键。这一方面通过揭示病变大小、解剖部位和患者年龄是准确检测黑色素瘤的主要影响因素，增强了透明度并培养了临床医生的信任。

这种融合方法为嵌入现实世界筛查流程的实用工具铺平了道路，可能在护理点彻底改变黑色素瘤诊断。通过整合视觉和患者数据，该模型体现了一个全面的诊断助手，可以减少误诊并加快干预时间表。

展望未来，这种多模态模型的可扩展性预示着令人兴奋的可能性，特别是在移动健康和远程医疗领域。配备皮肤镜附件的智能手机与这种AI结合可以普及黑色素瘤筛查，特别是在缺乏专业皮肤科服务的服务不足或偏远地区。

研究人员仍然意识到在临床环境中部署AI所固有的伦理和实践考虑。他们的工作包括严格的验证、特征可解释性以及遵守透明报告，以促进监管批准和临床接受。

人工智能应用根据特定癌症类型和临床领域进行系统组织，涵盖生物机制的阐明和预测、临床数据模式的识别和利用以改善患者预后，以及流行病学、行为学和真实世界数据集中固有复杂性的解析。当以符合伦理和科学严谨的方式应用时，这些AI驱动的方法有望加速癌症研究的进展，并最终促进所有人群健康结局的改善。我们回顾了展示AI在肿瘤学中整合的实例，重点介绍了深度学习熟练应对曾被认为不可逾越挑战的案例，同时讨论了促进这些技术更广泛采用必须克服的障碍。

癌症仍然是全球主要的死亡原因[1]。预测估计到2050年将有约3500万病例[2]。这一惊人的增长凸显了加速癌症研究和治疗策略开发的紧迫性。

在过去十年中，由于先进深度学习算法的出现、计算硬件的显著进步以及用于临床决策的数据快速增长[3,4,5]，医学领域对人工智能整合的兴趣重新燃起并日益增长。此外，其在肿瘤学中的应用展现出显著且不断扩大的潜力，涵盖基础科学追求（如蛋白质折叠预测[6,7]）、转化计划（如生物标志物发现[8,9]）以及临床试验组织和管理的临床进展[10,11]。
在本综述中，我们旨在全面概述AI在肿瘤学领域的现状和不断发展的格局。我们首先总结主要类型的AI模型和输入数据模态来展开讨论。接下来，我们回顾AI在六个关键领域的最新进展，包括癌症筛查和诊断、精准治疗、癌症监测、药物发现、医疗保健服务以及癌症机制。最后，我们重点介绍了阻碍AI广泛临床整合的主要障碍，并提出了战略性的、可操作的方法来促进这一快速发展领域的未来创新。

AI模型的选择取决于数据类型和临床目标[3]。结构化数据如基因组生物标志物和实验室值通常使用经典机器学习模型进行分析，包括逻辑回归和集成方法，用于生存预测或治疗反应等任务[14]。影像数据包括组织病理学和放射学利用深度学习架构如卷积神经网络来提取空间特征，实现肿瘤检测、分割和分级[15]。顺序或文本数据如基因组序列和临床记录采用变换器或循环神经网络来建模长程依赖关系，促进生物标志物发现或电子健康记录挖掘等任务[16]。大型语言模型（如GPT-5）的最新进展增强了从科学文献和临床文本中提取知识的能力，加速了癌症研究中的假设生成。

皮肤癌是全球最常见的癌症，每年新增病例超过所有其他癌症的总和。幸运的是，如果早期发现，大多数皮肤癌都是高度可治疗的。挑战在于在它们扩散之前发现它们。对于最危险的皮肤癌类型黑色素瘤，早期诊断的五年生存率超过95%，但一旦转移，生存率急剧下降至约30%（美国癌症协会，2024年）。

AI系统基于深度学习算法构建，这是一种机器学习形式，计算机通过处理大量图像来学习模式。对于皮肤癌检测，AI在包含数百万张皮肤病变照片的数据库上进行训练，这些照片由皮肤科医生标记并经活检确认。
当呈现新图像时，AI将病变与其学习到的模式进行比较，并计算恶性概率。在临床环境中，这个概率可以帮助皮肤科医生决定是否需要进行活检。

在皮肤科诊所中，AI被整合到数字皮肤镜系统中。当皮肤科医生拍摄痣的图像时，AI软件会立即分析并提供恶性风险评分。皮肤科医生然后将这些信息与他们自己的临床判断结合使用。

除了诊所，AI也进入了消费者健康领域。几款智能手机应用允许用户拍摄痣的照片并接收风险评估。虽然这些工具可以提高意识，但它们的可靠性各不相同。

AI在皮肤癌检测中为患者提供了几个潜在优势。
首先，它改善了早期检测，这是生存的最重要因素。通过分析肉眼看不见的细微模式，AI可以帮助在癌症扩散之前发现它们。其次，它减少了假阳性。许多患者接受了活检，结果却是良性的。通过使风险评估更加准确，AI减少了不必要的程序、疤痕和焦虑。
第三，它提供了更快的结果。患者可能立即获得评估结果，而不是等待数天的专家审查。最后，AI扩大了获得护理的机会。在皮肤科医生较少的地区，AI辅助筛查可以帮助非专科医生识别可疑病变，从而实现早期转诊和治疗。

尽管前景广阔，但AI也有局限性。

AI依赖于训练数据的质量和多样性。许多早期系统主要针对较浅肤色进行训练，导致在检测较深肤色类型的癌症时准确性较低（Adamson & Smith，2018年，《JAMA皮肤病学》）。
这引发了关于癌症护理公平性的担忧。目前正在努力创建更具包容性的数据集。

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。