编辑推荐：
研究人员针对巴西亚马逊地区皮肤利什曼病（Cutaneous Leishmaniasis, CL）持续高发的现状，开展了基于人工智能（Artificial Intelligence, AI）的移动端辅助诊断工具的开发及初步可行性评估。CL是由利什曼原虫（Leis
研究人员针对巴西亚马逊地区皮肤利什曼病（Cutaneous Leishmaniasis, CL）持续高发的现状，开展了基于人工智能（Artificial Intelligence, AI）的移动端辅助诊断工具的开发及初步可行性评估。CL是由利什曼原虫（Leishmaniaspp.）经白蛉传播引起的皮肤溃疡性疾病，其早期筛查因偏远地区医疗资源匮乏、实验室检测能力不足而严重滞后，导致患者病情加重、社会歧视加剧及公共卫生负担上升。本研究旨在构建并验证一个完全离线运行的智能手机应用程序，利用深度学习算法分析皮肤损伤图像，以辅助社区卫生工作者进行早期分流与转诊。研究人员采用两阶段AI流程——病灶分割（Segmentation）结合分类（Classification）模型，并在真实临床环境中进行多中心验证。结果显示，分类模型（DenseNet121架构）准确率达0.88；完整AI流程的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUC-ROC）为0.90，灵敏度（Sensitivity）为0.76。在理想场景验证中，灵敏度提升至0.92，F1值为0.84，特异性（Specificity）为0.42。该工具可在1分钟内返回结果，用户接受度高，符合分诊工具高灵敏度的设计目标。研究证实此类离线AI移动工具在资源受限地区具备技术可行性与临床应用潜力，但仍需更大规模前瞻性验证及监管审批。
该研究聚焦于巴西亚马逊地区皮肤利什曼病（CL）诊断延迟导致的疾病负担加重问题。CL作为最常见的利什曼病临床类型，由Leishmania原虫经白蛉传播，表现为皮肤溃疡、结节等病变，在巴西亚马逊地区受森林开发与环境经济因素影响持续流行。现有诊断依赖寄生虫学或组织病理学检测，需专业实验室与人员，导致偏远社区转诊延迟，引发继发感染、毁容及社会歧视，增加治疗成本与公共卫生风险。社区卫生工作者作为首诊接触者缺乏即时诊断工具，亟需适合资源有限环境的解决方案。
研究人员开发了一款完全离线运行的移动应用程序，集成基于深度学习的AI模型，用于分析智能手机拍摄的皮肤损伤图像。核心技术方法包括：1）回顾性收集巴西亚马逊两家转诊中心的1224张标注皮肤病变图像（含CL及孢子丝菌病、皮肤癌等鉴别诊断），按8:2比例分层划分为训练集、验证集与测试集；2）构建两阶段AI流程：采用DeepLabV3+MobileNetV2架构实现病灶分割（Segmentation），以Dice系数与平均精度均值（mean Average Precision, mAP）评估；采用DenseNet121架构实现CL分类（Classification），以AUC-ROC、灵敏度、特异度等指标评估；3）开发配套模糊图像识别模型以优化输入质量；4）将模型转换为TensorFlow Lite格式嵌入React Native跨平台应用，支持安卓与iOS系统离线运行；5）于2024年11月至2025年1月在亚马逊两家医疗中心开展多中心实地验证，纳入217名成人疑似病例，分别评估理想场景（仅含训练覆盖病种）与现实场景（含未知病种）性能，并通过REDCap问卷收集用户反馈。
AI模型
分割模型在测试集上达到mAP 0.83与Dice系数0.80，能有效勾画病灶区域，但边界不清或图像质量差时性能下降。分类模型（DenseNet121）在独立测试集准确率为0.88。完整AI流程（分割+分类）准确率为0.81，F1值0.80，AUC-ROC 0.90，灵敏度0.76，特异性0.49。
移动应用
应用界面简洁，支持相册上传与实时拍摄，自动过滤模糊图像后执行AI分析，输出“疑似CL”或“非疑似CL”结果，并记录患者信息与病灶位置。处理时间多在1分钟内。
多中心验证
现实场景分析206处皮损（92例CL，114例其他诊断）：灵敏度0.92，特异性0.35，准确率0.61，F1值0.68。理想场景分析137处皮损（92例CL，45例其他诊断）：灵敏度0.92，特异性0.42，准确率0.76，F1值0.84。卡方检验证实预测结果与金标准诊断显著相关（p<0.001）。用户反馈显示应用易用性良好，能一定程度促进分诊与转诊效率。
讨论
现有CL相关AI研究多局限于显微镜图像或病种有限的分类任务，且常存在数据集不平衡、设备依赖性强等问题。本研究通过平衡数据集（CL与非CL各612例）、纳入具有相似临床表现的鉴别诊断（如孢子丝菌病、麻风）、采用智能手机图像并支持离线运行，提升了模型的临床适用性与泛化潜力。高灵敏度（0.92）符合分诊工具设计目标，可减少漏诊并确保及时转诊，尽管特异性中等导致部分假阳性，但可通过后续专科确诊解决。模型对麻风与孢子丝菌病的误判率较高，反映其与CL临床相似性，需扩充相关训练数据。现实场景中非丘疹溃疡性皮损更易被误判，提示需优化用户指导与训练集多样性。研究满足预设可行性指标（分类准确率>0.50，AUC-ROC>0.70，理想场景灵敏度>0.75）。
结论
本研究首次开发了完全离线运行的AI移动工具，用于巴西亚马逊地区CL的早期分诊。工具保护患者隐私，无需网络连接，适合偏远地区使用，可辅助基层医护人员加速疑似病例识别与转诊，优化医疗资源分配。局限性包括特异性较低（设计选择）、需外部验证及扩大病种覆盖范围。未来将推进前瞻性临床验证、可用性改进及巴西国家卫生监督局（ANVISA）监管合规评估，为资源有限地区的被忽视热带病诊断提供新的技术路径。
