现在全球有70%的人口受到皮肤问题的困扰，早期诊断至关重要，可以带来更好的治疗效果。由蒙纳士大学领导的国际研究团队开发出一款新型人工智能（AI）工具，能够同时分析多种类型的医学影像，更快、更精准地检测黑色素瘤及其他一系列皮肤疾病。
2025年6月7日，医学顶级期刊《自然-医学》（Nature Medicine）杂志介绍了这款名为PanDerm的AI模型。它是首批专门用于帮助现实世界的皮肤科诊断治疗的AI模型之一，能够分析各种类型的影像，包括皮肤特写照片、皮肤镜图像、病理切片和全身照片。
一系列评估显示，PanDerm能帮助医生将皮肤癌诊断准确率提高11%，还能帮助非皮肤科医生将各类其他皮肤病的诊断准确率提高16.5%。它还展现出检测早期皮肤癌的能力，在临床医生发现之前识别出值得关注的病变。该模型受到超过200万张皮肤图像的训练，数据来源于多个国家的11家医学机构，涉及四种医学图像类型。
蒙纳士大学信息技术学院的Zongyuan Ge副教授是AI和计算机视觉专家，也是该研究的主要合著者之一，他指出现有的皮肤病学AI模型仍局限于单一任务，例如通过皮肤镜影像来诊断皮肤癌。“在此之前，AI模型很难整合和处理各种数据类型和成像方法，对医生来说，这降低了它们在不同现实使用场景中的实用性。”Ge教授说，“PanDerm是一款专为协助临床医生而设计的工具，可帮助他们解读复杂的影像数据，让他们更有信心做出明智的决策。”
与现有模型仅执行单一任务不同，PanDerm在各类范围广泛的临床任务上接受了评估，如皮肤癌筛查、预测癌症复发或扩散的几率、皮肤类型评估、痣的统计、跟踪病变过程、诊断各种皮肤状况和病变的分割。在这些测试中，它始终在同类AI中保持顶尖的水平，通常仅需提供常规所需的5-10%的标记数据。在临床环境中，PanDerm可以充当医生的辅助支持工具，分析他们常规使用的各种皮肤图像类型。该系统能够处理这些图像并提供诊断概率评估，从而帮助临床医生更有把握地解读视觉数据。这种整合是非常有价值的，可以提高非专业人员的诊断准确性，检测病变随时间推移的细微变化，以及评估患者风险水平。
Siyuan Yan是论文的第一作者，也是来自蒙纳士大学工学院的博士生。他指出多模态方法是该系统成功的关键。他说：“通过训练PanDerm来处理来自不同成像技术的不同数据，我们创造了一个系统，通过综合各种视觉来源的信息，它可以像皮肤科医生一样对皮肤状况了如指掌。这使得对皮肤病的分析比以前的单一模式AI系统更加全面。”
该研究的主要合著者之一是Victoria Mar教授，她是阿尔弗雷德健康中心的维州黑色素瘤服务中心主任。她说：“PanDerm很有希望协助检测病变随时间推移的细微变化，并为揭示病变的生物学特性和未来的扩散风险提供线索。“在医院或诊所环境中，医生会使用多种方式和不同类型的图像来诊断皮肤癌或其他皮肤问题。”Mar教授说，“有了PanDerm的帮助，我们就能更快速便捷地进行早期诊断，并对有黑色素瘤风险的患者进行更持久的监测。”
H. Peter Soyer教授也是该研究的主要合著者之一，他是昆士兰大学皮肤病学研究中心主任。他指出，由于城市、地区和乡村的医疗资源水平不同，成像和诊断技术也可能会存在差异。“PanDerm的优势在于它能够灵活支持现有的各类临床诊断流程，”Soyer教授说，“在医院繁忙的情况下，在资源有限的环境中，在初级卫生所中，皮肤科医生可能人手不够，PanDerm就变得特别有价值了。我们发现，即使仅使用少量标记数据进行训练，该工具也能表现出色，这是它在标准注释数据有限的各类医疗环境中的关键优势。”
该研究的资深合著者——维也纳医科大学皮肤病学系的Harald Kittler教授表示，PanDerm展示了如何利用全球协作和多样化的临床数据来构建AI工具，这些工具不仅技术强大，而且在不同的医疗体系中都具有临床相关性。Kittler教授说：“它有在各种现实环境中支持诊断的能力，包括在欧洲也可以运用自如。这个工具帮助我们让皮肤病学专业知识在全球范围内更容易获得、更趋一致。”
尽管PanDerm的研究结果前景广阔，但目前还处于评估阶段，尚未在医疗领域得到更广泛的应用。展望未来，研究人员的目标是开发出更全面的评估框架，以涵盖更广泛的皮肤病问题和临床变异。该团队计划建立跨人口统计学评估的标准化草案，并进一步研究该模型在多样化现实临床环境中的表现，特别关注其在不同患者群体和医疗环境中的公平性。
这项研究由蒙纳士信息技术学院的蒙纳士AIM健康实验室的AI和机器学习专家领导，与阿尔弗雷德健康中心、昆士兰大学、维也纳医科大学、新加坡英伟达AI技术中心、布里斯班的亚历山德拉公主医院、佛罗伦萨大学、皇家阿尔弗雷德王子医院、新南威尔士州卫生病理学部门和西班牙阿利坎特大学综合医院的研究人员和临床医生合作完成。
