一个研究团队开发出一种利用人工智能（AI）准确识别面部色素性病变类型的诊断系统，并支持激光治疗决策。该研究的论文在线发表于《Cureus》期刊。
面部色素性病变包括多种类型，例如黄褐斑（melasma）、雀斑（ephelides）、获得性真皮黑素细胞增多症（acquired dermal melanocytosis）、脂溢性角化病（solar lentigo）和恶性黑色素瘤（lentigo maligna melanoma），但它们通常在视觉上非常相似，因此鉴别诊断具有挑战性。
另一方面，针对这些病变的适当治疗方法因类型而异，准确的诊断至关重要，因为它直接影响激光治疗的可行性和选择。例如，不恰当的激光使用可能会加重黄褐斑，而由于误诊延误了恶性黑色素瘤必要的手术切除则可能带来严重后果。
近年来，使用深度学习模型的影像诊断技术引起了广泛关注，研究表明其在区分皮肤病变方面的准确性与皮肤科医生相当甚至更高。
尽管基于深度学习的影像诊断在检测黑色素瘤方面取得了成功，但直接与激光治疗规划相关的面部良性和恶性色素性病变的研究仍然不足，因此需要开发诊断支持系统。
由近畿大学医学院皮肤科的山本晴代（Haruyo Yamamoto）、中岛千纱（Chisa Nakashima）和大塚敦史（Atsushi Otsuka）领导的研究团队，联合近畿大学工程学院及其他机构，开发了一个分类系统，使用深度学习模型InceptionResNetV2和DenseNet121来识别五种面部色素性病变（黄褐斑、雀斑、获得性真皮黑素细胞增多症、脂溢性角化病和恶性黑色素瘤/恶性黑色素瘤）。
研究团队使用432张临床图像进行训练和验证，并将其诊断准确性与九名认证皮肤科医生（专家）和11名非认证皮肤科医生（非专家）的诊断进行了比较。两种模型的诊断准确性分别达到了87%和86%。
两种模型的表现均超过了专家组80%和非专家组63%的中位诊断准确性。特别是在识别恶性黑色素瘤/恶性黑色素瘤时，两种模型都实现了100%的敏感性，表明其作为临床实践中诊断支持工具的潜在用途。
基于这些结果，所开发的深度学习模型在诊断面部色素性病变方面的准确性远超皮肤科医生，可能有助于诊断支持和制定适当的治疗计划。
更多信息：Haruyo Yamamoto等，《用于辅助激光治疗决策的基于深度学习的面部色素性病变分类系统》，《Cureus》（2025）。DOI：10.7759/cureus.85428
(全文结束)
