澳大利亚与孟加拉研究团队发布 DermaViGNet，用可解释 AI 提升皮肤病诊断准确性
Retail Pharmacy 报道，澳大利亚与孟加拉研究人员开发出 DermaViGNet，这是一套面向皮肤病诊断的人工智能框架，结合两类机器学习方法分析皮肤状况，并解释模型如何得出判断。文章称，该系统在 5 类皮肤疾病分类中达到 98% 准确率，并在与 8 个既有深度学习模型比较时表现更优。该新闻值得关注，因为皮肤病 AI 诊断长期面临少见疾病、样本代表性和黑箱判断问题，DermaViGNet 强调可解释性和少见病识别，有助于降低误诊风险，并为基层药房、初级护理和远程皮肤科筛查提供更透明的辅助工具。
DermaViGNet 发布：研究团队希望用可解释 AI 提升皮肤病诊断速度、准确性和透明度
来自澳大利亚与孟加拉的研究人员开发出一套新的人工智能框架 DermaViGNet，目标是让皮肤病诊断更快、更准确，也更容易被临床人员理解和验证。
这项技术想解决什么问题
研究团队指出，皮肤病 AI 诊断长期面临两个难点：一是少见和代表性不足疾病在训练数据中经常被低估，二是很多模型虽然能给出判断，但无法解释自己为什么这样判断。
DermaViGNet 的设计重点，正是同时提高诊断表现和可解释性，尤其强调对临床医生来说“为什么得出这个结论”同样重要。
DermaViGNet 是怎么工作的
根据报道，这一框架结合了两种机器学习技术来分析皮肤病变图像，同时还能展示模型作出判断时重点参考了图像中的哪些区域。
Adelaide University 研究人员、计算机科学与信息技术学院的 Sabbir Ahmed 表示，可解释 AI 对临床采用至关重要，因为许多 AI 系统虽然会给出建议或结论，却无法提供推理过程，而在医疗这种高风险场景里，这种黑箱式结果很难被直接接受。
他指出，DermaViGNet 会高亮影响诊断的具体图像区域，这种透明度有助于临床医生更好理解、核验并信任 AI 生成的结果，再决定是否将其用于实际病人照护。
模型表现如何
报道显示，DermaViGNet 使用了接近 1 万张皮肤镜图像进行训练和验证，覆盖常见与少见疾病。
在与 8 个现有深度学习模型比较时，研究团队称其表现均更优，并在 5 类皮肤病分类任务中达到 98% 的准确率。文中列出的疾病包括：
- 白癜风（vitiligo）
- 痤疮（acne）
- 指甲银屑病（nail psoriasis）
- 色素沉着（hyperpigmentation）
- Stevens-Johnson Syndrome-Toxic Epidermal Necrolysis
潜在应用场景
Ahmed 表示，这项技术有机会为医疗专业人员提供一种快速且可靠的诊断辅助工具，特别适用于缺乏皮肤科专科资源的场景。
他认为，这类工具也可能帮助降低误诊风险，并通过更早发现和治疗严重皮肤病来改善患者结局。
后续研究方向
Adelaide University 表示，这项研究直面了医疗 AI 中一个长期存在的问题，也就是罕见病在训练数据中的代表性不足。
未来的研究将继续扩展数据集、引入更多临床信息，并进一步优化技术，以推动其在真实临床环境中的部署。
从行业角度看，DermaViGNet 的意义不只在准确率本身，而在于它把“少见病覆盖”和“可解释性”放在了同一套框架中，这对基层药房、初级护理和远程皮肤科筛查这类需要透明辅助决策的场景尤其重要。
