职务：解放军总医院第四医学中心皮肤科主任
邹先彪（中国人民解放军总医院第四医学中心皮肤科，北京100048）
引用本文：邹先彪．皮肤影像学与人工智能[J]．中国医学前沿杂志（电子版），2019，11（8）：1-4．
皮肤影像学技术在临床实践中的广泛应用使诊断依据和疗效对比更加科学和客观，提升了皮肤科医生的临床诊疗能力，改善了皮肤病患者的就诊体验并提高了患者对治疗的依从性，亦为发表高质量学术论文提供了可靠依据。因此，近十年来皮肤影像学在国内呈现出蓬勃发展的趋势，缩小了与国际同行的差距。
皮肤影像学结合包括皮肤病理和真菌检查在内的实验室检查与互联网医疗的深度融合构成的远程皮肤病诊疗系统，对于提升基层医疗单位对皮肤病的诊疗水平有极大帮助。而皮肤影像学在基层医疗单位的普及也有利于将众多的皮肤科单体信息孤岛有效地连成一体，为后续大数据的收集和AI诊疗决策系统的形成发挥推波助澜的作用。
AI概念最早于1956年在达特茅斯人工智能夏季研讨会（SummerResearchProjectonArtificialInte-ll-igence）上提出。AI计算机视觉是一门以影像采集设备＋电脑代替人眼对目标进行识别和测量的机器视觉，并可对图像进一步处理，通过对大量图片的训练和学习，获得与人类相同的准确分辨图形的能力，但其较人类获取信息的数量更多且速度更快。
2017年2月14日，原国家卫生和计划生育委员会发布《人工智能辅助治疗技术临床应用质量控制指标（2017版）》，同年中华人民共和国工业和信息化部（工信部）发布了《促进新一代人工智能产业发展三年行动计划（2018—2020年）》，强调要推动AI技术及智能产品在医疗领域的集成应用。
2019年1月9日，上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布《人工智能医疗白皮书》，提出了包括医学影像、辅助诊断、药物研发、健康管理、疾病预测在内的五大AI医疗应用领域。
目前，AI与临床诊断在皮肤肿瘤、肺结节、眼底病等数十种疾病中融合较好。其中皮肤科、医学影像科和病理科因同具视觉诊断特质而最有优势进行AI转化。皮肤病学是一门以形态识别为基础的临床学科，其病谱的表现具有相应的内在规律，因此非常适合AI的融入。全球11个皮肤病AI项目，63%用于医生端，中国企业最多。
斯坦福大学研究团队主持的皮肤癌诊断项目中的AI诊断准确率已达91%，与人工诊断准确率持平。国内皮肤科同行在以皮肤影像学为基本数据的基础上加大了皮肤病AI诊断的开发研究力度，中国人群皮肤影像资源库（CSID）项目、华夏皮肤影像AI协作组、皮肤病AI发展联盟等皮肤科协作团体均致力于皮肤病大数据的收集和整理。通过对临床照片、皮肤镜、皮肤CT、皮肤超声乃至皮肤病理等多维度皮肤影像的标注，提取诸多皮肤病的疾病特征，通过深度学习、强化学习或深度强化学习将皮肤影像与AI及远程医疗体系深度结合，既可提高诊断的准确性和同质性，又兼具快捷性和更好的诊疗费用性价比，是一举多得的好措施，为基层医生提供了同质化和规范化诊疗的决策方案，尤其适合银屑病、白癜风、特应性皮炎、毛发疾病等慢性皮肤病的长期管理。
皮肤病种类繁多，高达2000余种，而医学专业本科教材仅介绍了约130种，教师版教材中有200种左右，全国顶尖的皮肤科医生仅可记住600～800种皮肤病。并非所有的皮肤病都具有特征性的皮肤变化，且有些皮肤病罕见或少发，本身的发病机制和病理及与机体的内在联系尚未明确，因此，我们应清醒、理性地认知AI，并非所有的皮肤病都适合AI医疗，也非一种AI医疗产品能够解决所有皮肤病的诊疗问题。
②许多皮肤病的发病机制迄今为止尚未明确，在一定程度上阻碍了与AI的融合；
④皮肤病理图像自动识别诊断目前尚难以在短期内实现，这也制约了一些疑难皮肤病的AI诊断；
⑤皮肤科一些精细化的治疗依然需要高技术水准的医生操作。因此，今后皮肤科医生的发展趋势可能呈现精英化疑难病诊疗和基层化常见病诊疗的两极分化诊疗模式。
与此同时，我们也应考虑打造一款成功的皮肤科AI产品的关键因素：
①要考虑产品在皮肤病学和AI中的专业性和权威性，衡量AI系统是否可靠应使用科学的医学评价体系，即敏感度（sensitivity）和特异度（specificity），而非准确率（accuracy）或精确率（precision）或人机大战的结果。同时还要兼顾系统的过拟合风险，这样才可能成为皮肤科医生所信赖的产品。
②要考虑应用场景具有占地少、费用低、简操化、日常化的要素。
③需要有安全性高、私密性好的高质量的数据传输和储存终端，能够将“单体化信息孤岛”中已标准化完全脱敏的图像数据有效地接入一个统一的、权威性的数据中心内。
④要充分理解产品的出品流程：即国家药品监督管理局负责医疗器械的准入，国家卫生健康委员会负责医疗器械的临床应用，工信部负责信息通信的准入，每个环节都需要一个过程。
2017年9月4日，原国家食品药品监督管理总局发布新版《医疗器械分类目录》，新增了与AI辅助诊断的对应类别。按照最新的分类规定，若诊断软件通过算法，提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则申报二类医疗器械，可豁免临床试验；如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理，需要进行临床试验。正因如此，AI医疗看似离我们很近，但其实还有很长的路要走。迄今为止，国内尚未批准一款任何临床学科的AI医疗诊断产品上市，目前已面世的AI产品均是以辅助诊断形式出现的。
尽管如此，随着AI技术的不断进步和医学科技的不断发展，AI医疗的应用和发展前景依然非常广阔，而皮肤科作为以形态学为基础的临床学科，也将会在AI医疗中率先脱颖而出，早日惠及医患。
参考文献
[1]邹先彪，刘华绪，卢漫，等．皮肤影像学的临床应用[J]．中华皮肤科杂志，2017，50（7）：467-471．
[2]中国中西医结合学会皮肤性病学分会皮肤影像学亚专业委员会．皮肤科摄影专家共识[J]．中国麻风皮肤病杂志，2016，32（10）：577-580．
[3]中西医结合学会皮肤性病学专业委员会皮肤影像学亚专业委员会．红斑鳞屑性皮肤病皮肤镜诊断专家共识[J]．中国麻风皮肤病杂志，2016，32（2）：65-69．
[4]中西医结合学会皮肤性病学专业委员会皮肤影像学亚专业委员会．毛发疾病皮肤镜诊断专家共识[J]．中国麻风皮肤病杂志，2016，32（3）：129-132．
[5]中国中西医结合学会皮肤性病学分会皮肤影像学组．感染性和寄生虫性皮肤病的皮肤镜诊断专家共识[J]．中国麻风皮肤病杂志，2017，33（1）：1-7．
[6]中国中西医结合学会皮肤性病学分会皮肤影像学组．色痣皮肤镜诊断[J]．中国麻风皮肤病杂志，2017，33（2）：65-69．
[7]中国中西医结合学会皮肤性病学分会皮肤影像学组．色素障碍性和感染性皮肤病的伍德灯诊断专家共识[J]．中国麻风皮肤病杂志，2017，33（5）：257-260．
[8]中国医师协会皮肤科医师分会，中国医疗保健国际交流促进会皮肤科分会，中国中西医结合学会皮肤性病专业委员会，等．皮肤镜诊断规范用语及硬件参数专家共识（2017）[J]．中华皮肤科杂志，2017，50（7）：472-477．
[9]中国医疗保健国际交流促进会皮肤科分会皮肤影像学组，中华医学会皮肤性病学分会皮肤病数字化诊断亚学组，中国医师协会皮肤科医师分会皮肤外科亚专业委员会，等．《皮肤镜术语规范：第三次国际皮肤镜协会会议共识》解读[J]．中华皮肤科杂志，2017，50（4）：299-304．
[10]中国中西医结合学会皮肤性病专业委员会皮肤影像学组，中国医疗保健国际交流促进会皮肤科分会皮肤影像学组，中华医学会皮肤性病学分会皮肤病数字化诊断亚学组，等．中国基底细胞癌皮肤镜特征专家共识（2019）[J]．中华皮肤科杂志，2019，52（6）：371-377．
[11]GottesmanO,JohanssonF,KomorowskiM,etal.Guidelinesforreinforcementlearninginhealthcare[J].NatMed,2019,25(1):16-18.
[12]EstevaA,RobicquetA,RamsundarB,etal.Aguidetodeeplearninginhealthcare[J].NatMed,2019,25(1):24-29.
[13]PriceWN2nd,CohenIG.Privacyintheageofmedicalbigdata[J].NatMed,2019,25(1):37-43.
[14]RavizzaS,HuschtoT,AdamovA,etal.Predictingtheearlyriskofchronickidneydiseaseinpatientswithdiabetesusingreal-worlddata[J].NatMed,2019,25(1):57-59.
[15]GurovichY,HananiY,BarO,etal.Identifyingfacialphen-otypesofgeneticdisordersusingdeeplearning[J].NatMed,2019,25(1):60-64.
[16]TopolEJ.High-performancemedicine:theconvergenceofhumanandartificialintelligence[J].NatMed,2019,25(1):44-56.
[17]HeJ,BaxterSL,XuJ,etal.Thepracticalimplementationofartificialintelligencetechnologiesinmedicine[J].NatMed,2019,25(1):30-36.
[18]ChenJH,AschSM.MachineLearningandPredictioninMedicine-BeyondthePeakofInflatedExpectations[J].NEnglJMed,2017,376(26):2507-2509.