深度学习在皮肤影像分析中的应用洞察阐释

研究报告深度学习在皮肤影像分析中的应用洞察阐释分类·分割·验证·前沿汇报人科研团队日期2026年10月内容导览01演进脉络从辅助人到超越人的三阶段跃迁02技术内核分类与分割两条技术主线的方法突破03临床验证真实世界数据与商业落地成效04前沿展望大模型与多模态驱动的未来方向01EVOLUTION演进脉络十年跃迁，AI正看见人类看不见的东西从数字助手到科学探索伙伴皮肤影像诊断的三类图像基础皮肤癌诊断依赖三类图像，各自承载不同层级的诊断信息三类影像分别从皮肤表面、宏观形态与组织切片层面，为诊断提供由浅入深的证据链。“深度学习具备自动特征提取特性，更适应细节丰富的分类任务，三类图像的技术侧重点因此存在明显差异。”皮肤镜图像放大观察皮下结构呈现色素网络、蓝白幕、不规则血管等特征宏观图像肉眼可见的整体形态关注病灶大小、颜色、边界与不对称性组织病理图像切片级微观证据是诊断的金标准，但依赖侵入性活检皮肤癌的疾病负担与早诊价值早发现早治疗，是提升皮肤癌生存率的关键变量黑色素瘤仅占皮肤癌病例约5%，却导致超过75%的皮肤癌相关死亡致命性：黑色素瘤占比低但致死率高早期识别是扭转预后的关键窗口5%仅占皮肤癌病例，却导致超过75%的相关死亡一旦发生转移，生存率急剧下降，早期检测至关重要全球现状高发与高致死并存，诊断依赖临床经验皮肤癌是全球范围内最常见且致命的癌症之一传统诊断依赖皮肤镜检查，结合临床准则，准确性依赖医生经验，存在主观性强、诊断一致性差异大等问题ABCD规则Menzies方法七点检查法AI在皮肤领域的三阶段演进十年间，AI在皮肤领域的角色经历了三次跃迁辅助人·2017–2022不知疲倦的数字助手图像初筛·提升基层效率2017年《Nature》研究基于近

13万张

涵盖

2032种

疾病的皮肤影像实现与

21位

皮肤专家相当的诊断水平，主要承担图像初筛模仿人·2022–2025多模态与微观病理的复刻宏观+微观

综合决策以PanDerm为代表的多模态视觉基础模型整合

4种

成像模态重构专家宏观加微观的综合决策过程，深入H&E组织切片复刻病理专家逻辑超越人·2025至今从数字助手到科学探索伙伴数字孪生·探索生命规律模型迭代以月甚至以天为单位AI可通过数字孪生方式模拟和探索生命系统规律02TECHNOLOGY技术内核分类与分割，两条主线并进病灶识别与边界勾勒的技术攻坚分类与分割的双阶段流水线先定位病灶，再判断性质，是主流的解耦设计思路两阶段解耦：先精确分割病灶，再聚焦形态学特征分类分期，逐级递进01第一阶段：病灶分割采用编码器-解码器架构，生成像素级分割掩膜，精确提取皮肤镜图像中的病变区域。02第二阶段：分类与分期预测聚焦病灶形态学特征，排除背景皮肤纹理干扰，输出细粒度风险分层。七类皮肤病变分类7类黑色素细胞痣黑色素瘤基底细胞癌光化性角化病良性角化病皮肤纤维瘤血管病变分割架构的演进：从CNN到Mamba分割架构的演进，本质是精度与计算效率的持续博弈MEW-UNet：引入多轴外部权重块，利用傅里叶变换与频率域权重分配提升复杂病变分割性能DCAC：结合域自适应卷积与内容自适应卷积，增强跨医学图像领域的适应能力分割架构的演进，本质是精度与计算效率的持续博弈CNN阶段U-Net以对称U型结构与跳跃连接成为黄金标准局限：难以捕捉长距离依赖Transformer融合阶段自注意力机制建模全局上下文，与CNN局部特征提取形成互补局限：自注意力计算成本高Mamba架构阶段ELM-UNet通过LKA-MLP协同模块与SSM-Conv融合模块，在保持低参数量与低计算复杂度同时提升分割精度ELM-UNet在基准数据集上的性能提升轻量化的Mamba架构，在两大基准数据集上实现精度

全面

提升对比基线为

UltraLightVM-UNet，ELM-UNet在参数量减少的同时保持高效计算ISIC20172.04%mIoU1.21%DSC1.61%敏感度ISIC20181.81%mIoU1.10%DSC2.36%敏感度03VALIDATION临床验证从实验室走向诊室真实世界数据检验AI的临床成色病理检测的临床级验证数据未经筛选的连续活检样本，检验AI的真实性能前瞻性验证ProsciaAI在

1422个连续皮肤活检组中识别侵袭性黑色素瘤与原位黑色素瘤灵敏度与特异性灵敏度93%特异性91%AUC分类性能基底细胞癌0.97鳞状细胞癌0.95研究规模连续活检1422例回顾性图像12784张AI自动识别黑色素瘤并提醒病理学家关注高风险病例，推动疑难黑色素瘤病例诊断一致性AI与人类专家的对照研究对比同等特异度条件下，AI的敏感度显著高于医生平均水平10万+皮肤镜图像训练CNN17国58位皮肤科医生参与对照实验CNN可辅助医生进行皮肤癌筛查，减少不必要活检。多模态模型的临床增益与商业落地AI的核心价值不在替代，而在显著抬升医生的诊断基线临床增益·商业落地多模态模型以可量化数据抬升诊断基线，并已在产业端形成成熟落地路径。早期黑色素瘤检测10.2%准确率较临床医生提升

10.2%首次成像即识别

77.5%

的病变辅助诊断皮肤癌69%→80%准确率从

69%

提升至

80%低年资医生提升幅度最大达

17%鉴别诊断覆盖128种128种

皮肤病鉴别诊断中非皮肤科医生准确率提升

16.5%百度健康150位工程师与皮肤科专家28个月研发周期AI皮肤检测基于

ResNet-152加双路径注意力机制，投入超150位工程师与皮肤科专家、历时28个月研发。蚂蚁阿福99%线上咨询场景可处理15%启用专家复核皮肤影像分析模块覆盖百余种常见皮肤病，约15%咨询者启用专家复核，其中

90%以上AI初诊结果与医师判断高度一致。04FRONTIER前沿展望大模型与多模态，重塑诊断边界从单模态识别走向综合决策准确率并非固定值：AI诊断的能力光谱准确率高低，完全取决于模型设计、训练数据与应用场景57.0%通用大模型75.6%皮肤科医生82.0%激光专家对寻常痤疮、玫瑰痤疮等经典常见病，AI诊断准确率可达

100%。通用大模型vs专科医生57.0%通用大模型75.6%皮肤科医生82.0%激光专家100%寻常痤疮、玫瑰痤疮等经典常见病专门优化模型的突破英国埃塞克斯大学

SKINTEL

结合图像与

22项

患者数据99.5%皮肤癌识别准确率82.5%准确排除非癌性病变反直觉发现70亿小模型超越数千亿大模型百川公司在Fitzpatrick17k基准上超越包括

GPT-5.2

在内的竞争对手12.06%Top-1准确率提升28.57%Top-6准确率提升临床落地的四大核心挑战技术突破之外，落地仍受多重现实约束复杂特征病灶边界模糊形状不规则颜色多变增加精准识别难度图像噪声毛发干扰关键特征光照变化干扰关键特征伪影干扰关键特征提取类内变异与类间相似性同类病变形态差异大不同类别视觉高度相似数据不平衡基准数据集存在极端类别失衡ISIC-2020中良性图像与恶性图像数量悬殊多模态大模型：从识别到综合决策AI正从单一图像识别，走向融合多源信息的综合决策SkinM2Former多模态多标签Transformer，三模态交叉注意力在多个特征层级融合临床图像、皮肤镜图像与患者元数据77.27%平均准确率77.85%诊断准确率基于Derm7pt数据集WiseDiagV3医学训练数据规模扩展，可处理皮肤照片等视觉信息1000亿tokens训练数据2000万+累计服务人次截至2026年8月VidSkin皮肤基座模型千亿参数级战略目标实现皮肤2D平面与3D空间影像同病理学知识的网络级统一PanDerm多模态视觉基础模型以大模型架构重构专家宏观加微观的综合决策过程4种整合成像模态H&E染色组织切片深入切片复刻病理专家的形态学诊断逻辑未来方向：可解释、多模态、隐私安全更可解释、更融合、更安全，是皮肤AI演进的确定方向三大方向驱动持续进化：可解释、多模态、隐私安全，构建可信赖的皮肤AI未来图景SkinAnalytics

等企业实践表明需严格验证算法泛化能力；建议采用

AI辅助诊断模式保持医生主导权，并建立跨学科团队监督算法伦理问题提升可解释性梯度加权类激活映射等技术提升医生对AI决策的信任度破解黑箱难题深化多模态融合DL