AI化身重塑皮肤癌临床诊疗模式的“疾病侦探”
皮肤并不只是人体的“保护壳”，更是健康问题的重要“报警器”。身上有块地方一直瘙痒，皮肤颜色还变深了，怀疑是皮肤癌的前兆？别着急，现在我们可以利用AI来帮助我们进行诊断。
在当今科技飞速发展的时代，人工智能（AI）正以前所未有的速度渗透到各个领域，医疗领域也不例外。随着多模态大型语言模型（LLM，即能同时处理文本、图像等多种信息的人工智能系统）如GPT和Med-PaLM的快速发展，AI正在重塑医疗实践。近日，琶洲实验室研究员许言午教授团队在人工智能与肿瘤医学交叉研究领域取得重要进展，关于皮肤癌人工智能研究的综述文章《Cutting-edge AI technologies in skin cancer applications》在《Cancer Letters》（影响因子10.10，中科院一区）发表。
基于模仿人脑神经元连接方式的深度学习技术和复杂神经网络，AI可使皮肤癌诊断的准确性和稳健性显著提升。当AI化身“疾病侦探”，又能如何为患者带来福音？
皮肤癌诊断，为什么需要AI来搭把手？
皮肤癌是全球最常见的恶性肿瘤之一，尤其在皮肤较白的人群中更为高发。它主要分为黑色素瘤和非黑色素瘤皮肤癌（NMSC）两大类。其中，黑色素瘤恶性程度高且进展迅速，对患者的生命健康构成严重威胁；而非黑色素瘤皮肤癌，像基底细胞癌、鳞状细胞癌等，虽相对常见，但恶性程度较低。据预测，到2040年，新增黑色素瘤病例数将达到约51万例，较目前增长50%，这无疑给全球公共卫生系统带来了沉重的负担。
不仅如此，皮肤癌涵盖多种亚型，早期症状复杂多样。例如，早期的病变可能表现为颜色不均的斑点或者形状不规则的肿块，这些特征与良性皮损，如普通痣、老年斑等高度相似。而传统的诊断方法长期受到诸多因素的制约，比如医生的主观经验差异，不同医生可能对同一病变的判断存在分歧；取样偏差也可能导致诊断结果的不准确；此外，诊断效率低下等问题也使得及时发现和准确诊断皮肤癌面临着巨大的挑战。
皮肤癌的诊断在很大程度上依赖于视觉评估以及对皮肤镜（一种可以放大观察皮肤表层下细微结构的专业设备）和临床图像特征的解读，这使得基于人工智能的应用非常适合该领域。深度学习与多模态人工智能技术在皮肤癌诊疗中展现出了强大的优势。通过融合皮肤镜图像、组织病理切片以及患者的年龄、病史等多源信息进行统一建模，多模态方法在诊断的准确性和鲁棒性方面明显优于传统依赖单一信息来源的模型。
从传统方法到人工智能驱动技术，接下来我们来看看皮肤癌诊断的转型。
传统的皮肤癌诊断方法高度依赖医生的个人经验，容易受到主观性和变异性的影响。为了改变这一现状，人们积极探索利用人工智能系统，通过模拟专家决策机制，来减少诊断的不确定性，提高皮肤癌的早期检出率，并优化临床工作流程的效率。
人工智能在图像驱动的皮肤癌检测中的应用
基于CNN（卷积神经网络，一种擅长从图像中提取特征的AI算法）的皮肤癌检测：2017年，Esteva等人首次将预训练模型应用于皮肤病分类，其AI系统在识别皮肤癌方面达到专业医生水平。此后，基于人工智能的皮肤癌检测受到了广泛关注。
ViT及相关混合模型的应用：由于卷积神经网络（CNN）在捕捉图像全局特征方面存在一定的局限性，研究人员转而采用视觉Transformer（ViT）架构。ViT通过将图像分割成小块，并运用自注意力机制分析各部分之间的关系，能够像医生一样重点关注病变的关键区域，例如黑色素瘤的不对称边缘和颜色变化等。近年来，CNN – ViT混合模型结合了二者的优势，在皮肤病变分类中的性能优于单一结构的模型。此外，ViT与SAM（分割一切模型）相结合，还可以精准地定位病变边界，辅助医生判断肿瘤的范围。
多模态人工智能在皮肤癌诊断中的整合
在实际的临床场景中，皮肤科医生的诊断不仅仅依赖于图像中的视觉线索，通常还需要结合患者的年龄、性别、病变部位和病史等结构化临床元数据。因此，整合图像特征与结构化临床信息的多模态人工智能模型已成为皮肤癌诊断领域的主要研究方向。然而，许多传统的多模态框架在处理非结构化叙事文本时存在困难，或者无法跨领域进行复杂的推理，这就限制了它们模拟临床医生综合异质证据的能力。
大型语言模型在皮肤癌诊断和临床支持中的应用
随着GPT-4、LLaMA、Med-PaLM和ChatDoctor等大型语言模型的不断涌现，医疗人工智能正式进入了多模态基础模型时代，极大地拓展了该领域的研究深度和应用广度。与传统的仅能识别图像表面特征的AI不同，大型语言模型通过多模态联合训练，可以将图像、文字等不同类型数据转化为计算机可理解的“共同语言”，实现跨类型信息的深度关联和理解。
大型语言模型还具备模态间的上下文感知推理，能像医生一样综合多种信息判断病情。例如，当AI发现皮肤上的不规则斑点时，它不仅会分析斑点的颜色、形状等视觉特征，还会结合患者的家族癌症史、长期日晒记录、既往皮肤病史等文本信息，推断病变的恶性风险。此外，这些模型具备出色的语言理解和生成能力，已广泛应用于医学报告自动生成、复杂病例总结和患者智能咨询等任务，部分模型甚至能通过美国执业医师资格考试（USMLE），展现出接近专业医生的知识水平。
AI不仅在诊断环节发挥重要作用，也正在深刻影响皮肤癌的治疗策略制定与药物研发过程。那么AI在皮肤癌治疗中有什么实际应用呢？
手术和放疗等传统方法仍是皮肤癌治疗的重要基础，但它们的局限性也日益凸显。例如，对于黑色素瘤患者，如果出现淋巴结微转移，传统手术很难彻底清除微小病灶；放疗和化疗在靶向癌细胞的同时，也会对毛囊、黏膜等健康组织造成损伤，导致脱发、口腔溃疡等副作用。近年来，免疫治疗（如PD-1抑制剂）和靶向药物（如BRAF抑制剂）的应用为晚期皮肤癌患者带来了新的希望，使部分患者的5年生存率提升了30%以上。然而，肿瘤异质性（同一肿瘤中存在不同特性的癌细胞）和免疫逃逸（癌细胞躲避免疫系统攻击）等问题仍然影响着治疗效果。
在治疗决策方面，人工智能的角色已经从单纯的诊断辅助工具演变为主动决策助手。例如，某有监督机器学习模型通过对5000例复杂非黑色素瘤皮肤癌病例数据的分析，能够准确预测90%病例的最佳治疗策略——对于浅表型肿瘤推荐冷冻治疗，对于深部浸润型肿瘤建议手术联合放疗，其决策与多学科专家团队的一致性达到了85%。
同时，在药物研发领域，人工智能就像一位“超级筛选员”。它能够通过模拟癌细胞与药物分子的相互作用，从数百万化合物中快速锁定潜在的有效药物。传统药物研发平均需要10年时间，耗资28亿美元，而AI模型可以将早期筛选时间缩短60%，失败率降低35%，为肿瘤治疗提供了更加高效和可持续的技术支撑。
尽管人工智能在提升皮肤癌诊断与治疗潜力方面表现出色，但在临床应用中仍然面临诸多挑战。例如，医学数据质量参差不齐，不同医院的图像拍摄标准不一致；标注一致性不足，不同医生对同一病变的描述可能存在差异；模型可解释性有限，AI诊断时就像一个“黑箱”，医生难以理解其决策依据；此外，在真实临床环境中的泛化能力也有待提高，实验室表现优异的模型，在基层医院可能会因设备差异而失效。这些因素在一定程度上制约了相关技术从研究阶段向临床实践的可靠转化。
未来，团队将进一步探索人工智能技术在临床诊疗中的应用潜力，推动相关方法在真实临床场景中的验证与转化。AI就像一位不知疲倦的“数字医生”，正从实验室走向临床一线，为解决人类健康问题提供强大的助力。我们有理由相信，随着技术的不断成熟，未来在AI的帮助下，皮肤癌的早诊早治或许会像量血压一样便捷，更多疾病的困扰终将被一一化解。科技为生命托底，在AI智能与人类医学智慧的交汇处，是对生命健康的永恒守护。
人物介绍
琶洲实验室研究员，华南理工大学未来技术学院教授、博士生导师，Topcon(拓普康)中国智慧医疗人工智能首席顾问，新加坡眼科研究所(SERI)客聘研究员、教授，世界卫生组织(WHO)数字健康咨询专委会专家、中科院(CAS)宁波工研院宁波工研院慈溪医工所客聘研究员、教授，中国医药教育协会数字影像与智能医疗专委会副主委，中国计算机学会数字医学分会常委，中国医药教育协会数字疗法工作委员会常委，IEEE高级会员。
声明：此文章来源于琶洲实验室研究员许言午教授团队，发布的部分图文素材等来源于第三方或网络信息，本文仅用于公益科普，版权归原作者或机构所有，内容如有侵权，请及时联系我们删除。
本文中来源于文献的素材均引自：
https://www.sciencedirect.com/science/article/abs/pii/S0304383526000194?sessionid=