此页面是自动翻译的，不保证翻译的准确性。请参阅英文版对于源文本。

基于CNN的人工智能与医生在孤立性皮肤病变诊断中的比较

2026年2月17日更新者：Yunus Emre Ulusoy、Istanbul Training and Research Hospital

基于卷积神经网络的人工智能模型与皮肤科医生及非皮肤科医生在孤立性皮肤病变诊断中的对比

本观察性研究的目的是评估基于卷积神经网络（CNN）的人工智能模型在孤立性皮肤病变患者中的诊断准确性。该研究旨在回答的主要问题包括：

基于CNN的模型在使用宏观临床图像识别孤立性皮肤病变时的诊断性能（敏感性和特异性）如何？
基于CNN的模型的诊断准确性与皮肤科医生和非皮肤科医生进行的评估相比如何？

研究人员将比较AI模型的诊断输出与皮肤科医生和非皮肤科医生的独立评估结果，以确定AI模型是否能达到与人类临床医生相当或更好的诊断性能。

参与者（作为临床读片医生的医师）将：

独立审阅来自回顾性患者档案的预定匿名宏观临床图像集。
仅基于图像为每个病变提供初步诊断，无法获取患者病史或组织病理学结果。
提交其评估结果，以便与金标准（组织病理学诊断）和AI模型的结果进行比较。

研究概览

地位

主动，不招人

条件

详细说明

本研究是一项回顾性、观察性诊断准确性研究，旨在评估基于卷积神经网络（CNN）的人工智能模型在使用宏观临床图像评估孤立性皮肤病变方面的性能。

将从伊斯坦布尔培训与研究医院的皮肤科图像档案中回顾性检索具有组织病理学或临床确诊的孤立性皮肤病变的宏观临床图像。所有图像及相关临床文件将在分析前进行匿名化处理，并移除任何可识别的视觉或文本信息。数据处理和分析将在安全的、基于机构的环境中实施，访问权限仅限于研究团队。

将使用监督学习技术开发基于CNN的人工智能模型。图像预处理步骤将包括调整至标准化输入尺寸、颜色归一化，以及移除包含潜在可识别信息的区域。数据集将划分为训练、验证和测试子集，以支持模型开发、超参数优化和独立性能评估。模型训练和评估将使用PyTorch深度学习框架实施。

基于CNN模型的诊断性能将使用标准分类指标进行评估，并与皮肤科医生、皮肤科住院医生和非皮肤科医生对同一组匿名化图像（无法获取额外临床或组织病理学信息）的独立评估结果进行比较。将进行对比分析，以评估人工智能模型与医生组之间在诊断性能和一致性方面的差异。

研究类型

观察性的

注册 (估计的)

17625

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习地点

土耳其（türkiye）
- Fatih
  - Istanbul、Fatih、土耳其（türkiye）、34098
    - S.B.Ü. İstanbul Eğitim ve Araştırma Hastanesi

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

孩子
成人
年长者

接受健康志愿者

不

取样方法

非概率样本

研究人群

研究人群包括执业医师，包括皮肤科医生、皮肤科住院医师和非皮肤科医生，他们独立评估匿名宏观临床图像中的孤立性皮肤病变以进行诊断评估。

描述

纳入标准：

已同意将其临床图像用于科学研究的患者。
分辨率超过224x224像素的临床图像，确保与人工智能架构兼容。
具有明确诊断的孤立性皮肤病变回顾性记录。

排除标准：

未同意将其临床照片用于研究目的的患者。
包含可能识别个人身份的信息或影响患者匿名性的视觉特征的图像。
分辨率低于224x224像素或诊断质量较差的图像（例如：模糊、严重遮挡）。
同一病变的重复图像或记录。

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

团体/队列数

队列和干预

团体/队列
开发与验证队列这是一项单臂回顾性研究，包含17,625份已确认组织病理学诊断的存档临床记录。该队列将作为人工智能模型开发的主要数据集。测试数据集中的一个特定子集将由一组皮肤科医生和非皮肤科医生通过多项选择诊断任务进行独立评估。人工智能模型的性能将与金标准组织病理学结果以及人类观察者的诊断准确性进行比较。

团体/队列

开发与验证队列

这是一项单臂回顾性研究，包含17,625份已确认组织病理学诊断的存档临床记录。该队列将作为人工智能模型开发的主要数据集。测试数据集中的一个特定子集将由一组皮肤科医生和非皮肤科医生通过多项选择诊断任务进行独立评估。人工智能模型的性能将与金标准组织病理学结果以及人类观察者的诊断准确性进行比较。

研究衡量的是什么？

主要结果指标

结果测量	措施说明	大体时间
基于CNN人工智能模型的诊断准确性大体时间：基线（回顾性数据分析将在4个月内完成）	将基于宏观临床图像，使用准确率和受试者工作特征曲线下面积（ROC-AUC）值评估基于卷积神经网络（CNN）的人工智能模型在诊断孤立性皮肤病变方面的诊断准确性。	基线（回顾性数据分析将在4个月内完成）

次要结果测量

结果测量	措施说明	大体时间
基于CNN的模型与皮肤科医生在诊断性能上的差异大体时间：基线（预计在5个月内完成）	基于相同一组宏观临床图像，将使用准确度指标评估基于卷积神经网络的人工智能模型与皮肤科医生之间诊断性能的差异。	基线（预计在5个月内完成）
基于CNN的模型与非皮肤科医生之间诊断性能的差异大体时间：基线（预计5个月内完成）	基于相同图像集，将使用准确度指标评估基于卷积神经网络的人工智能模型与非皮肤科医生之间诊断性能的差异。	基线（预计5个月内完成）
基于CNN的模型与医生组的敏感度、特异度大体时间：基线（预计5个月内完成）	在评估孤立性皮肤病变时，将计算并比较基于卷积神经网络的人工智能模型与医师组的敏感性和特异性。	基线（预计5个月内完成）
基于CNN的模型与医师组的F1分数大体时间：基线（预计在5个月内完成）	在孤立性皮肤病变的评估中，将计算并比较基于CNN的人工智能模型与医生组的F1分数值。	基线（预计在5个月内完成）

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

Istanbul Training and Research Hospital

调查人员

学习椅：Ayşe Esra Koku Aksu, MD、Sağlık Bilimleri Üniversitesi İstanbul Eğitim ve Araştırma Hastanesi

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2026年1月15日

初级完成 (估计的)

2026年3月30日

研究完成 (估计的)

2026年5月31日

研究注册日期

首次提交

2026年2月10日

首先提交符合 QC 标准的

2026年2月16日

首次发布 (实际的)

2026年2月17日

研究记录更新

最后更新发布 (实际的)

2026年2月19日

上次提交的符合 QC 标准的更新