利用人工智能检测恶性黑色素瘤：一项关于诊断准确性的观察性研究

背景：恶性黑色素瘤在其自然病程的早期阶段确诊时治愈率最高。然而，关于筛查项目仍存在争议，许多人主张仅对高危人群进行筛查。目的：本研究旨在评估人工智能神经网络（用于识别黑色素瘤的深度集成模型 DERM）从色素性皮肤病变的皮肤镜图像中识别恶性黑色素瘤的准确性，并展示其与通过荟萃分析评估的医生诊断表现相比的情况。方法：使用 7,102 张经组织学证实的黑色素瘤（24%）和良性色素性病变（76%）的皮肤镜图像对 DERM 进行训练和测试。对评估专科医生和全科医生进行肉眼检查（联合或不联合皮肤镜检查）准确性的研究进行了荟萃分析，将其临床诊断与组织病理学进行了比较。荟萃分析基于对 32,226 例色素性病变的评估，其中包括 3,277 例经组织病理学证实的恶性黑色素瘤病例。使用受试者工作特征（ROC）曲线检查和比较诊断准确性。结果：DERM 的 ROC 曲线下面积（AUC）达到 0.93（95% confidence interval: 0.92-0.94），敏感度和特异度分别为 85.0% 和 85.3%。避免假阴性结果至关重要，因此考察了不同的决策阈值。在敏感度为 95% 时，DERM 的特异度达到 64.1%，而在特异度为 95% 时，敏感度为 67%。荟萃分析显示，初级保健医生（10 项研究）的 AUC 为 0.83（95% confidence interval: 0.79-0.86），敏感度和特异度分别为 79.9% 和 70.9%；皮肤科医生（92 项研究）的 AUC 为 0.91（0.88-0.93），敏感度和特异度分别为 87.5% 和 81.4%。结论：DERM 有潜力作为初级保健中的决策支持工具，就恶性黑色素瘤的可能性提供皮肤科医生级别的建议。