⏱ 预计阅读：16 分钟
皮肤科 AI 当前最值得看的变化，不是“机器替医生诊断皮肤病”，而是把病灶拍照、风险分流、皮肤科医生复核、活检或转诊、长期随访接成一条可追踪的服务链。
皮肤科是一个很容易被 AI 误读的科室。外行看到的是“拍一张皮损照片，AI 告诉你是不是癌”；医院真正面对的是另一件事：患者从自拍、全科门诊、皮肤镜、全身摄影进入系统以后，谁来判断图像能不能用，谁来决定优先级，谁来解释风险，谁来安排活检或复诊。
这也是本期的主线。皮肤科 AI 可以做图像分类和风险估计，但一旦进入医院，就必须从“识别一个病灶”变成“管理一批风险队列”。美国 FDA（美国食品药品监督管理局）在 2011 年批准 MelaFind 进入 PMA 路径，2024 年 DermaSensor 又以 De Novo 路径进入新一代辅助评估设备；英国 NICE（英国国家卫生与临床优化研究所）对 Skin Analytics DERM 的处理也提醒医院：条件推荐不等于替代医生，产品必须嵌进服务路径，同时继续补充证据。
皮肤科AI为什么要先看分流？
皮肤科门诊最大的矛盾之一，不是每个医生都缺一个“AI 诊断器”，而是大量患者不知道自己该不该看皮肤科、该多快看、该找谁看。可疑痣、色素性病变、基底细胞癌、鳞癌、湿疹样皮损、炎症后色素改变，都会以“皮肤上一个点”开始，但路径完全不同。
AI 的第一价值，是把入口变得更有秩序。自拍入口适合发现和教育，全科门诊入口适合初筛，皮肤镜入口适合专科复核，全身摄影入口适合高危人群长期随访。不同入口对应不同产品，不应该放进同一张准确率表里横比。
第二价值，是让医生先看最该看的队列。皮肤科医生不可能对所有低风险照片做同样强度的复核，也不能把高风险病灶淹没在普通咨询里。AI 如果能先做图像质量判断、病灶优先级排序和历史变化提示，就能让医生的时间更贴近风险。
第三价值，是让随访不丢。皮肤科很多判断不是一次完成的。一个痣有没有变化、某个病灶是否需要活检、治疗后是否复发，都需要把历史照片和本次检查串起来。皮肤科 AI 真正进入工作流以后，竞争点会从“这张图像不像恶性”变成“这条随访链能不能持续跑下去”。
从 MelaFind 到 DermaSensor：近15年的主线
| 时间 | 节点 | 对皮肤科的意义 |
|---|---|---|
| 2011-11 | MelaFind 原始 PMA 获批 | 多光谱皮肤病灶辅助评估进入严肃监管路径 |
| 2024-01 | DermaSensor De Novo 路径获 FDA 授权 | 手持设备从专科皮肤镜向初级医疗入口靠近 |
| 2024-09 | DermaSensor UDI 公开记录出现 | 设备进入商业分发和版本管理阶段 |
| 2025 | NICE 对 DERM 给出条件推荐 | 分流 AI 开始按服务路径和证据生成来评估 |
| 2026 | 当前阶段 | 竞争焦点转向拍照入口、复核队列和随访闭环 |
这条线索说明，皮肤科 AI 并不是这两年才出现。早期 MelaFind 已经把“不能替代医生诊断、只能作为整体临床评估的一部分”写得非常清楚。十几年以后，DermaSensor、DERM、FotoFinder、DermEngine、SkinIO、Canfield 这类产品形态变得更丰富，但责任边界没有消失。
产品越靠近患者入口，越要说明下一步谁负责；产品越靠近专科随访，越要说明历史图像、复核记录和长期数据怎么沉淀。皮肤科 AI 的成熟，不是让风险边界消失，而是把边界写进流程。
产品正在形成五类入口
第一类是手持病灶评估设备。DermaSensor 属于这一层，它的卖点是把风险提示带到初级医疗和全科门诊，让医生在患者第一次出现时就知道是否需要更快转给皮肤科。
第二类是远程分流路径。Skin Analytics DERM 属于这一层，它不只是算法，而是把病灶照片、问诊信息、路径规则、皮肤科复核和服务指标放在同一条链路里。
第三类是皮肤镜和痣图谱随访。FotoFinder 这类产品更贴近专科皮肤科，价值在于高质量皮肤镜图像、AI Score（辅助评分）、全身图谱和历史变化比较。
第四类是影像病例平台。DermEngine 更像皮肤科影像和病例协作层，适合远程会诊、病灶追踪、数据沉淀和多角色协同。
第五类是全身拍照与长期筛查。SkinIO 和 Canfield VECTRA WB360 虽然一个偏患者端，一个偏设备级全身成像，但都在回答同一个问题：大量皮肤点位和长期变化，怎么被医生稳定看见。
代表产品逐个拆解
下面的白板图用于解释工作流位置、输入输出和采购问题；图中的评分、数量、阈值和版本号均为示意，不代表厂商真实输出或行业统一指标。
DermaSensor：把风险提示带到初级医疗入口
图注：DermaSensor 页面展示手持皮肤病灶评估设备和即时风险输出。
DermaSensor 的代表性在于，它不是让患者自己拿 AI 诊断皮肤癌，而是给一线医生一个辅助风险评估设备。设备输出的是对可疑病灶的风险提示和下一步建议，工作流位置更接近全科门诊、初级医疗、家庭医生和皮肤科转诊前。
它的优势是入口轻、结果快、适合把可疑病灶提前分流出来。它的边界也很硬：输出不能被当作最终诊断，阳性结果需要医生结合病史、部位、肉眼观察、皮肤镜或活检路径继续处理。
医院如果评估这类设备，不应只问“敏感性多少”。更关键的问题是：适用人群和病灶范围是什么，不可评估结果怎么处理，风险提示是否回写病历，谁负责向患者解释，阳性患者能不能在约定时间内接上皮肤科。
Skin Analytics DERM：分流价值取决于后端路径
Skin Analytics DERM 的价值不在于单独给一张照片打分，而在于把照片、问诊信息、路径规则和皮肤科复核组织成一个分流系统。NICE 对它的态度很有启发：不是简单说“可以替医生”，而是在条件推荐和证据生成框架下看它能否缓解皮肤科服务压力。
这条路线适合门诊入口拥挤、等待时间长、低风险病灶占用大量专科资源的系统。但它也最考验医院和区域医疗服务设计。AI 可以把患者分成自我管理、常规预约、优先复核或紧急处理几类；如果后端没有号源、通知、复核和安全兜底，分流结果就会停在屏幕上。
医院要重点看四个运营问题：高风险患者多久被皮肤科复核，低风险患者是否有清晰教育材料和再评估条件，不可判读照片比例是否可控，分流规则发生变化时是否能审计。分流产品不是买一个模型，而是买一条可运营路径。
FotoFinder：皮肤镜 AI 的壁垒在连续比较
图注：FotoFinder 页面展示全身皮肤镜、病灶管理和长期随访设备。
FotoFinder 更接近专科皮肤科的日常。它面对的不是“患者随手拍一张图”，而是皮肤镜、全身图谱、高危人群和长期随访。AI Score 只是其中一个模块，真正有价值的是把本次病灶、历史病灶、全身位置和医生复核放在一起。
这类产品适合痣多、高危人群、既往黑色素瘤或需要长期皮肤肿瘤随访的患者。AI 的作用不是替医生决定是否活检，而是帮助医生更快定位变化、比较趋势、筛出需要重点看的病灶。
采购时要看采集规范、设备一致性、历史影像迁移、病灶 ID 管理和随访策略。没有这些基础，AI Score 很容易变成一个孤立分数；有了这些基础，它才可能成为连续管理工具。
DermEngine：平台价值在协作和沉淀数据
图注：DermEngine 页面展示皮肤影像、病例管理和远程皮肤科平台入口。
DermEngine 的定位更像皮肤科影像病例平台。它把皮肤镜图像、临床照片、病史、会诊请求、病例管理、随访提醒放在一个工作台里，适合远程皮肤科、集团化皮肤中心和需要沉淀影像数据的机构。
平台型产品的差异不在单个模型，而在协作效率。患者照片进来以后，谁分配给医生，谁能看历史图像，谁写复核意见，谁生成结构化记录，谁触发随访提醒，这些才决定长期使用率。
医院选择这类平台，要重点确认权限、数据存储、医生网络、接口回写和审计日志。它可以支持医生决策，但不能模糊医生签字责任。
SkinIO：入口轻，治理和复核不能轻
图注：SkinIO 页面展示全身皮肤拍照、AI 标记和皮肤科医生复核流程。
SkinIO 代表的是患者端更轻的入口。患者可以用手机完成全身皮肤扫描，系统用 AI 标记可疑点，再由皮肤科医生复核，必要时接入后续服务。它的价值在可及性：让原本不会主动看皮肤科的人，先完成一次筛查动作。
但入口轻，不等于临床治理可以轻。患者自拍的图像质量、隐私权限、身体部位覆盖、医生复核时效、异常结果沟通和后续转诊，都必须被设计好。否则 AI 标记越多，服务系统越容易拥堵。
这类产品更适合体检、雇主健康、保险合作、远程筛查和皮肤癌高风险人群管理。医院如果接入，要把“谁复核、多久复核、如何转诊、如何保存图像、患者如何退出”写清楚。
Canfield VECTRA WB360：高危随访靠稳定采集
图注：Canfield VECTRA WB360 页面展示全身三维皮肤成像和病灶追踪设备。
Canfield VECTRA WB360 代表设备级全身成像路线。它更适合皮肤肿瘤中心、高危人群随访和需要稳定全身图谱的专科场景。与手机入口不同，设备级方案的优势在采集标准化、位置定位和长期可比性。
这类系统的采购问题也更重：空间、设备、拍摄流程、患者隐私、数据存储、历史影像迁移、医生查看效率，都影响落地。它不是面向所有普通皮肤病的 AI 工具，而是更适合高风险病灶管理和长期比较。
横向比较：不要把入口混在一起比
| 产品/路线 | 工作流位置 | 输入 | 输出 | 医院最该问 |
|---|---|---|---|---|
| DermaSensor | 初级医疗风险评估 | 病灶扫描、临床信息 | 风险提示、下一步建议 | 阳性患者多久能接上皮肤科 |
| Skin Analytics DERM | 远程分流路径 | 病灶照片、问诊信息 | 分流建议、复核队列 | 本地路径和证据生成是否可执行 |
| FotoFinder | 皮肤镜和痣图谱随访 | 皮肤镜、全身图谱 | AI Score、变化趋势 | 历史图像能否连续比较 |
| DermEngine | 影像病例平台 | 临床照片、皮肤镜、病史 | 病例工作台、复核意见 | 权限、会诊、接口回写是否稳定 |
| SkinIO | 患者端全身筛查 | 手机全身照、局部图 | 可疑点标记、医生复核 | 自拍质量和复核时效如何保证 |
| Canfield VECTRA WB360 | 专科全身成像 | 3D 全身照片、局部皮肤镜 | 病灶定位、变化比较 | 设备、空间、数据和随访成本 |
这张表真正想说的是：皮肤科 AI 不应该先比谁“更像医生”。不同产品在不同入口工作，输入不同，输出不同，责任边界也不同。医院选型时，先确定自己缺的是初筛入口、专科随访、远程分流，还是全身成像管理。
医院如何部署：先画责任链，再买产品
皮肤科 AI 的部署，我建议先问六个问题。
第一，入口在哪里。患者自拍、全科门诊、皮肤镜门诊、体检中心、远程会诊、高危人群随访，对应完全不同的产品和 SOP（标准操作流程）。
第二，图像质量谁负责。皮肤病灶非常依赖光线、焦距、角度、皮肤镜接触方式和部位信息。图像质量不稳定时，模型再好也会变成噪音。
第三，风险提示谁复核。AI 输出如果直接给患者，容易引发焦虑或误解；如果只进入医生端，又要确保医生真正看到、及时处理并留下记录。
第四，阳性路径能不能接住。高风险提示之后，是皮肤科号源、活检、病理、转诊、治疗，还是观察随访？这条链必须上线前就写清楚。
第五，数据和隐私怎么治理。皮肤照片涉及敏感身体部位，且可能跨机构、跨平台、跨医生团队流转。最小权限、患者告知、图像脱敏、访问日志、数据留存和退出机制都不能省。
第六，模型版本如何审计。皮肤科 AI 一旦用于分流，版本变化、阈值变化、训练数据变化都会影响队列。医院要能追溯某一次判断使用了什么版本、什么输入和什么规则。
国内落地：先按场景核验
| 类型 | 代表方向 | 可能价值 | 招采关注点 |
|---|---|---|---|
| 皮肤镜/影像设备厂商 | 皮肤镜、全身摄影、AI 辅助标记 | 采集入口稳定，便于专科随访 | 是否有本地注册证、接口、历史图像迁移 |
| 互联网医疗平台 | 在线问诊、皮肤病初筛、复诊随访 | 患者入口和服务运营能力强 | 医生复核、处方边界、隐私合规 |
| 医院自建模型路线 | 皮肤病图像库、科研队列、院内分流 | 适合专病中心和科研型医院 | 数据治理、泛化验证、上线责任 |
| 影像 AI 公司扩展路线 | 多模态皮肤影像辅助分析 | 工程化和院内交付经验 | 是否有明确皮肤科产品和临床路径 |
| 区域远程皮肤科平台 | 基层拍照、上级医生复核、转诊 | 适合医联体和基层皮肤筛查 | 号源、复核时效、路径规则和审计 |
国内皮肤科 AI 公开资料相对分散，很多时候不是一个标准化 FDA 式产品，而是设备、互联网医疗、医院科研和区域远程会诊混合推进。采购时不要只看演示图，必须索取注册证或备案材料、适用人群、输入要求、医生端工作台、数据流向、接口清单和试点指标。
风险与边界
皮肤科 AI 第一类风险，是把辅助分流写成自动诊断。皮肤病灶判断需要结合病史、部位、触诊、皮肤镜、病理和患者风险因素。AI 可以提示风险，不能替医生签最终诊断。
第二类风险，是图像漂移。不同手机、不同皮肤镜、不同光线、不同肤色、不同身体部位，都会改变图像分布。上线以后要监测不可判读率、误报漏报复盘和本地人群表现。
第三类风险，是服务拥堵。AI 如果把大量患者推向皮肤科，但医院没有复核队列和号源安排，会把原本隐藏的等待问题暴露出来。
第四类风险，是隐私。皮肤照片不只是普通图片，很多还涉及身体敏感部位。医院不能把数据治理留给厂商默认设置。
第五类风险，是过度筛查。低风险患者如果被频繁提示异常，可能增加不必要焦虑、活检和门诊负荷。真正成熟的皮肤科 AI，应该同时减少漏接高风险和减少低价值干扰。
写在最后
下面两张架构图是医院规划示意；其中的看板阈值应在试点阶段结合本院基线和复核能力设定。
本期一句话：皮肤科 AI 的下一步不是让机器替医生诊断，而是把病灶拍照、风险分流、医生复核和长期随访接成一条可追踪的责任链。
如果你是医院管理者或皮肤科负责人，下一次评估皮肤科 AI 时，不妨先把一个可验证的试点指标写出来：收到 100 个可疑病灶入口后，系统能不能让高风险患者在 72 小时内进入明确的处理路径？