综述：用于皮肤病图像质量评估的人工智能

《Current Dermatology Reports》：Artificial Intelligence for Dermatological Image Quality Assessment

　　AI皮肤图像质量评估工具在远程诊断中的应用研究显示，CNN和ViTs在质量检测上表现良好，但需更多临床数据以提升模型泛化能力。未来需加强数据多样性、前瞻性验证和合规性以实现临床应用。

　　

摘要

综述目的

皮肤图像质量不佳可能会导致异步远程皮肤病学诊断以及基于人工智能（AI）的模型出现诊断错误。本文回顾了图像质量对远程皮肤病学诊断性能的影响，并评估了基于人工智能（AI）的皮肤图像质量评估（DIQA）系统。目的是评估当前DIQA工具的状态及其在解决皮肤图像采集问题方面的潜力。

最新研究进展

深度学习方法，尤其是卷积神经网络（CNN），在检测特定图像质量问题方面取得了中等到较高的准确率。尽管视觉变换器（ViT）的研究相对较少，但由于其全局注意力机制，在捕捉复杂图像特征方面显示出潜力。混合模型和迁移学习也被探索用于提高模型的泛化能力，但相关 dermatology-specific 数据较为有限。

总结

基于AI的DIQA工具能够实现实时图像质量评估，支持标准化图像采集和可靠的AI诊断。未来的发展需要更多样化的数据集、前瞻性验证以及符合监管要求，以实现临床应用。