虽然人工智能（AI）在改善黑色素瘤诊断方面具有巨大潜力，但根据一项新的综述显示，这些新方法的应用仍面临诸多挑战。
研究者指出，鉴于全球黑色素瘤发病率不断上升，基于AI的应用可以帮助减轻医生负担，简化诊断流程，并为人群提供平等获得适当治疗的机会。
这篇发表在《国际智能系统杂志》上的综述探讨了当前用于辅助黑色素瘤诊断的AI模型现状。这些方法包括机器学习、深度学习以及混合方法。
较新的方法如卷积神经网络（CNNs）因其能够检测图像和视频中的特征而备受关注，并已被应用于医疗领域，包括黑色素瘤检测。在一项包含超过2600张图像的研究中，深度学习方法在将皮肤病变分类为恶性或非恶性时的准确率达到88%。另一项研究显示准确率高达96%，相比早期的AI方法如支持向量机（SVMs），其准确性有所提升。
SVMs在早期检测黑色素瘤方面表现出色，准确率高达87%以上。数据显示，该模型仅需使用6个可识别因素即可做出诊断。
一些模型采用了CNN和SVM的混合方法，结合了CNN自动识别图像重要特征的能力与SVM对数据进行分类的优势。
研究人员解释道：“根据研究结果，在特定情况下，各种AI模型的表现可能与皮肤科专家相当甚至更好，因为大多数模型报告的准确率、敏感性和特异性均高于85%。然而，多种困难使得这些发现难以在实践中应用。”他们还指出，像CNN这类方法在广泛推广上存在障碍。
除了资源问题外，许多医疗机构在实施过程中面临结构和财务挑战，研究人员还指出了现有AI模型性能的不一致性。这种不一致性的原因在于这些模型的构建方式及其训练评估的数据不同。目前的模型通常无法对其结果作出解释，这凸显了改进模型以提供诊断依据的机会。
研究团队强调了改进AI方法所用数据的重要性。众所周知，临床试验（包括黑色素瘤试验）往往不能代表真实世界中的患者群体。因此，研究中包含的病灶图像分析有限。研究人员强调需要收集各类患者的数据，包括不同肤质和疾病阶段的患者。
除了患者多样性外，研究人员还呼吁增加数据类型的多样性，以加强AI模型，例如整合患者记录、基因组数据和图像。AI模型的改进还需要医疗机构与技术研究人员和开发者密切合作，共享数据。
同时，随着患者群体和病例的变化，AI模型必须随之适应，平衡灵活性和准确性。
作者总结道：“AI应在经过多场景下对其性能和效果进行测试后，才应用于医疗保健领域。改进用户界面并为医生决策提供即时支持对于实际应用至关重要。AI开发者、医生和医疗政策制定者之间的合作将是制定规则的关键，以确保安全、合乎道德且有效地实施AI技术，实现黑色素瘤的早期诊断。”
(全文结束)
