皮肤镜检查有助于早期发现色素性及非色素性皮肤癌，但其解读结果仍依赖于操作者，并存在一定差异。基于皮肤镜图像训练的人工智能（AI）系统能够提供可扩展的决策支持，但由于证据分散在不同的数据集、模型类型和参考标准中，这限制了其在临床实践中的应用。本系统评价旨在评估基于人工智能（AI）的算法在分析各种皮肤病变时的诊断准确性，并根据数据集特征、训练策略和诊断参考标准对不同模型进行比较。我们使用全面的搜索策略，在截至2025年5月的PubMed、Scopus、Cochrane Library和Web of Science中进行了系统检索。纳入的研究均将AI技术应用于皮肤镜图像以进行诊断，并报告了相应的性能指标。采用QUADAS-2工具评估了研究存在的偏倚风险。由于方法学上的异质性，数据进行了定性整合。共有96项研究符合纳入标准，涵盖了多种AI方法。卷积神经网络（CNN）是最常见的模型类型，其诊断性能表现各异，灵敏度范围为0.69至1.00，特异性范围为0.36至0.98。混合模型和集成模型（尤其是结合了EfficientNet、DenseNet和ResNet架构的模型）通常优于传统的机器学习方法。主要局限性包括数据集的多样性、基准参考值的不一致性以及缺乏标准化的报告格式。仅有少数研究进行了前瞻性的实际应用验证。基于AI的皮肤镜图像分析算法，尤其是CNN和集成框架，具有诊断潜力，但研究设计和评估方法的差异限制了其当前的临床应用范围。未来的工作应重点关注标准化、外部验证和透明化的算法开发，以支持其在临床实践中的广泛应用。
皮肤镜检查有助于早期发现色素性及非色素性皮肤癌，但其解读结果仍依赖于操作者，并存在一定差异。基于皮肤镜图像训练的人工智能（AI）系统能够提供可扩展的决策支持，但由于证据分散在不同的数据集、模型类型和参考标准中，这限制了其在临床实践中的应用。本系统评价旨在评估基于人工智能（AI）的算法在分析各种皮肤病变时的诊断准确性，并根据数据集特征、训练策略和诊断参考标准对不同模型进行比较。我们使用全面的搜索策略，在截至2025年5月的PubMed、Scopus、Cochrane Library和Web of Science中进行了系统检索。纳入的研究均将AI技术应用于皮肤镜图像以进行诊断，并报告了相应的性能指标。采用QUADAS-2工具评估了研究存在的偏倚风险。由于方法学上的异质性，数据进行了定性整合。共有96项研究符合纳入标准，涵盖了多种AI方法。卷积神经网络（CNN）是最常见的模型类型，其诊断性能表现各异，灵敏度范围为0.69至1.00，特异性范围为0.36至0.98。混合模型和集成模型（尤其是结合了EfficientNet、DenseNet和ResNet架构的模型）通常优于传统的机器学习方法。主要局限性包括数据集的多样性、基准参考值的不一致性以及缺乏标准化的报告格式。仅有少数研究进行了前瞻性的实际应用验证。基于AI的皮肤镜图像分析算法，尤其是CNN和集成框架，具有诊断潜力，但研究设计和评估方法的差异限制了其当前的临床应用范围。未来的工作应重点关注标准化、外部验证和透明化的算法开发，以支持其在临床实践中的广泛应用。
