重点提示
一项基于深度学习的AI模型在区分恶性雀斑样痣（Lentigo Maligna, LM）与良性面部色素性病变方面达到了84.2%的准确率。
在AI辅助下，皮肤科住院医师的诊断准确率由64.9%提高至74.0%；其中LM的识别准确率提升最为明显，增幅达16.5%。
本研究聚焦于长期日晒损伤皮肤中的面部病变，这一场景在AI皮肤病变研究中较具挑战性且代表性不足。
研究结果支持AI作为临床皮肤科诊疗与教学中的辅助工具，可提高诊断信心并增加教学价值。
研究背景
恶性雀斑样痣（Lentigo Maligna, LM）是黑色素瘤原位的一种亚型，主要发生于老年患者长期日晒暴露的面部皮肤。由于特征重叠，LM与良性色素性病变——如色素性日光性角化病、日光性雀斑样痣或脂溢性角化病——在临床及皮肤镜下的鉴别一直非常困难，尤其是在光损伤皮肤中更是如此。早期准确识别对于恰当治疗以及预防进展为浸润性黑色素瘤至关重要。然而，传统诊断方法可能存在观察者间差异，并且往往需要经验丰富的皮肤科医师才能较为准确地判断。
人工智能（AI），尤其是卷积神经网络（convolutional neural network, CNN），已在皮肤病变自动分类方面显示出良好前景。然而，既往AI模型对长期日晒损伤面部皮肤病变的覆盖不足，限制了其在LM诊断中的泛化能力。鉴于临床上对更易获得且更准确工具的需求尚未得到满足，本回顾性研究旨在开发一套面向面部色素性病变的深度学习模型，并评估其对皮肤科住院医师诊断表现的影响。
研究设计
本回顾性研究分析了722例经组织病理学确诊的面部色素性病变，包括190例LM、230例色素性日光性角化病（pigmented actinic keratosis, PAK）以及302例日光性雀斑样痣/脂溢性角化病（solar lentigo/seborrheic keratosis, SL/SK）。共使用894张皮肤镜图像。数据集按20%作为独立测试集，其余80%用于五折分层交叉验证。
所采用的深度学习架构为基于Xception的卷积神经网络，分别用于二分类（LM vs 非LM）和三分类（LM、PAK、SL/SK）训练。随后开展了一项读片者研究，共纳入26名皮肤科住院医师。要求住院医师先在无AI辅助情况下进行诊断，再在AI模型辅助下再次诊断，以评估其对诊断准确率的影响。
主要发现
AI模型的平均分类准确率为84.2% ± 2.5%，其中LM识别的灵敏度为90.0% ± 11.5%，特异度为81.9% ± 1.2%。这些指标表明，尽管背景存在复杂的日光损伤，该模型在区分LM与其他面部色素性病变方面仍具有较强性能。
在读片者研究中，皮肤科住院医师的基线诊断准确率为64.9%。在提供AI辅助后，其准确率显著提高至74.0%（p < .0001）。值得注意的是，LM诊断的提升幅度最大，准确率提高了16.5%，提示该AI工具在黑色素瘤原位识别中的临床意义较高。
研究结果表明，AI辅助可有效增强人类的诊断能力，尤其对处于培训阶段的医师更为有益，有助于提高诊断信心，并可能促进LM的更早发现。
专家点评
本研究为AI在一项细致而复杂的临床挑战中的应用提供了重要的转化医学启示，即在光损伤面部皮肤上区分LM与良性色素性病变。研究使用了经过精心整理、并反映高风险患者亚群的数据集，进一步增强了其临床相关性。
其局限性包括回顾性设计，以及仅基于图像数据、未整合临床背景信息（如患者病史、病变演变过程）。此外，读片者研究仅纳入皮肤科住院医师，因此结果未必可推广至社区医生或资深皮肤科专家。若能开展前瞻性验证并纳入多模态数据，模型性能与适用性有望进一步提升。
近期指南强调，皮肤镜培训与临床决策支持需要辅助工具。AI已被证实可提高住院医师的诊断准确率，这支持其纳入皮肤科教学与临床实践。然而，人工审查仍然至关重要，因为需要考虑非典型表现及个体患者因素。
结论
本研究提示，AI辅助皮肤镜检查在提高日光损伤皮肤上复杂面部色素性病变中LM检出准确率方面具有良好前景。皮肤科住院医师诊断表现的显著改善表明，此类AI工具可作为临床实践和皮肤科培训中的有价值辅助。
未来研究应重点关注前瞻性、真实世界应用研究，结合临床元数据，以及在不同使用者经验水平下进行评估，以验证并优化AI模型。总体而言，将AI与临床医生判断相结合，为提升LM早期诊断及潜在改善患者结局提供了一条切实可行的路径。
资助与ClinicalTrials.gov
原始研究未报告具体资助来源或ClinicalTrials.gov注册信息，这与其回顾性研究设计一致。
参考文献
1. Yilmaz A, Erol Mart HM, Temelkuran B, Akay BN. Improved detection of lentigo maligna with AI-assisted dermoscopy: A reader study in facial pigmented lesions. J Am Acad Dermatol. 2026;95(4):1035-1042. PMID: 42336217.
2. Ferris LK, Wiggins T, Schmults CD. Dermatologic Surgery in High-Risk Patients: Approaches to Lentigo Maligna. Dermatol Clin. 2021;39(3):341-350.
3. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
4. Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002;3(3):159-165.
5. Tschandl P, Rinner C, Apalla Z, et al. Human–computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234.
