用于辅助手术性基底细胞癌诊断并提供双重解释的多任务学习人工智能系统

这对日常皮肤健康为何重要

皮肤癌是全球最常见的癌症，而基底细胞癌是其最常见的类型。随着远程医疗的发展，全科医生向医院专家发送的皮肤照片数量大幅增加，导致排队和等待时间延长。本研究提出了一种人工智能工具，不仅能在这些图像中识别出可能的基底细胞癌，还能向医生展示其做出该判断的理由，从而便于在真实临床中获得信任并投入使用。

当前皮肤照片在远程医疗中的流转方式

在许多地区，全科医生通过远程皮肤病学将特写皮肤图像发送给医院皮肤科医生。这些专家会寻找一组视觉线索，例如特定的形状、颜色和血管分布模式，以判断某个斑点是基底细胞癌还是无害病变。尽管基本规则已广为人知，但每个病例的表现可能差异很大，专家们必须审阅来自许多门诊的大量图像，这会减慢护理速度并加重系统负担。

将专家规则转化为有用的助手

研究人员设计的人工智能系统遵循专家使用的相同逻辑。它在每张皮肤镜图像中寻找七种关键视觉模式，例如溃疡或叶状结构，同时也检查能表明病变不太可能为基底细胞癌的一种模式。该工具不仅给出“癌症”或“非癌症”的结论，还报告它检测到的这些模式，然后基于皮肤科医生的实践使用简单规则来判断病变是否可能为癌症。这种方法使计算机的推理更容易理解。

用多方意见训练系统

为了训练该人工智能，团队使用了来自安达卢西亚60个初级保健中心的1,559张皮肤图像，以及来自公共档案的额外非癌症图像。四位皮肤科医生标注了他们在每个病变中看到的七种模式，但对于这些精细模式并不存在完美的参考，专家之间也常有分歧。研究人员采用了一种统计方法，将这些不同意见合并为每张图像的单一共识标签，以捕捉群体的共同判断并减少个体偏差。

人工智能学会了什么

系统的核心是一个紧凑的图像识别网络，改编自一种广为人知的移动端架构。它被训练同时完成两项任务：将基底细胞癌与其他病变区分开来，以及检测支持该决定的视觉模式。为应对罕见模式和不平衡的数据集，团队采用了诸如高级损失函数、数据增强和谨慎的交叉验证等技术。结果是一个在将病变正确分类为基底细胞癌或非基底细胞癌方面约有90%准确率的模型，并且在识别指导该决策的关键视觉模式方面也表现良好。

看见人工智能关注的区域

除模式列表外，该系统还提供了颜色图，突出显示对其决策最具影响力的图像区域。为了检验这些热图是否确实符合临床思路，皮肤科医生在数百张图像上仔细勾画了模式区域。研究人员随后将人工智能所突出显示的区域与这些勾画进行比较，发现模型的大部分“注意力”确实落在专家认为重要的相同区域。在几乎所有癌症阳性病例中，至少有一种相关模式被正确识别；在大多数非癌症病例中，预期的“安全”模式规则也得到了遵守。

这对患者和医生意味着什么

总体来看，结果表明一个紧凑的人工智能工具可以在远程皮肤病学中帮助对皮损进行分诊，同时提供清晰且临床意义明确的解释。它并不取代皮肤科医生，但可以突出应优先就诊的病例并展示其警报背后的视觉线索。由于该系统可在轻量级硬件上运行并且模仿专家的推理过程，它非常适合在初级保健网络中迅速部署，有望加快诊断速度、支持学习并提高对AI辅助皮肤癌护理的信任。

引用: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

关键词: 基底细胞癌, 远程皮肤病学, 可解释人工智能, 皮损成像, 皮肤镜检查