编辑推荐：
为解决银屑病（PsD）在诊断和治疗方面的复杂性问题，研究人员开展了关于人工智能（AI）在 PsD 中应用的研究。结果表明 AI 在预测建模、表型分析、影像学诊断等方面有应用潜力。这有助于推动 PsD 诊疗向精准化、个性化发展。
在现代医学领域，银屑病（PsD）犹如一座难以攻克的复杂堡垒。它的发病机制涉及遗传易感性、环境触发因素和免疫失调之间的复杂相互作用，这使得其临床表现多样，治疗反应也存在显著差异 。患者可能出现各种皮肤和肌肉骨骼症状，这些症状还容易与其他疾病混淆，像轴向受累等特定疾病领域的评估也困难重重。在这样的困境下，人工智能（AI）凭借其强大的数据处理和模式识别能力，逐渐走进了银屑病诊疗的视野，为解决这些难题带来了新希望。
为了探索 AI 在银屑病诊疗中的价值，来自意大利巴里大学 “Aldo Moro” 分校和德国柏林夏里特医学院的研究人员开展了相关研究。该研究成果发表在《Clinical Rheumatology》上，为我们揭示了 AI 在银屑病诊疗中的诸多应用潜力，对推动该领域的发展具有重要意义。
研究人员在开展研究时，主要运用了多种关键技术方法。在数据处理方面，利用了大量来自多维度的临床数据，包括传统临床数据、影像学结果、实验室生物标志物数据，以及患者通过可穿戴设备和移动健康应用生成的信息 。在模型构建上，采用了监督学习、无监督学习等机器学习算法，通过这些算法对数据进行分析，挖掘潜在的规律和模式。同时，还运用了计算机视觉技术对医学影像进行分析，以及自然语言处理（NLP）和大语言模型（LLMs）对临床文本进行解读。
下面来看具体的研究结果：
- 预测建模：预测建模处于 AI 在 PsD 管理应用的前沿位置。研究人员通过将监督学习技术应用于大规模患者数据集，训练模型来预测特定生物疗法的疗效、合并症（如心血管事件）发生的可能性等结果。早期研究成果令人鼓舞，部分预测模型在心血管风险预测方面，内部验证准确率高达 85%。这些模型的输入数据广泛，涵盖传统临床数据和复杂变量 。不过，目前这些模型的真正价值还需通过外部验证和在现实世界中的适用性测试来进一步衡量。未来，随着算法的优化和更多数据流（如遗传易感性标记和详细的合并症概况）的整合，预测建模有望实现更精准的预测，帮助临床医生提前识别高危个体，采取更有针对性的干预措施。
- AI 驱动的表型分析：银屑病的内在异质性给传统的分类系统带来了巨大挑战，而 AI 驱动的表型分析为解决这一问题提供了新途径。研究人员运用无监督学习方法，通过算法检测数据中的潜在模式。这种方法能够分析大量复杂的数据集，从而发现具有相似特征的患者群体，识别出更能反映疾病生物学真实复杂性的独特表型 。例如，对古塞奇尤单抗（guselkumab）III 期临床试验数据的分析，发现了生物初治的 PsD 患者中存在八个临床上不同的表型簇。这一成果有助于临床医生根据患者的具体表型制定个性化的治疗策略，还能将合并症纳入疾病评估的核心考量因素。
- 计算机视觉和放射组学：计算机视觉和放射组学的整合为银屑病诊疗带来了变革性的进展。深度学习算法在 MRI、CT 等影像分析中展现出强大的能力，能够识别出银屑病关节炎与其他炎症性关节炎在关节结构、骨髓水肿和软组织炎症等方面的细微差异，有助于早期疾病检测和更细致的疾病监测 。放射组学则将影像数据转化为高维特征空间，捕捉传统分析难以发现的图像细节。如果得到验证，这种方法有望用于区分轴向银屑病关节炎（PsA）和其他脊柱关节炎的影像特征，为早期诊断、精准疾病分层和靶向治疗提供支持。
- 自然语言处理和大语言模型：自然语言处理（NLP）和大语言模型（LLMs）在银屑病诊疗中也具有重要价值。LLMs 能够解读复杂的临床叙述，分析患者描述中的微妙语言线索，从而揭示患者的体验和疾病进展情况 。不过，这些应用在准确性、可靠性和临床有效性方面仍面临挑战，需要医生参与模型训练和结果验证，确保 AI 辅助而不是取代临床推理。
研究结论和讨论部分指出，AI 在银屑病诊疗中展现出巨大的潜力，但在临床应用的道路上仍面临诸多挑战。一方面，许多 AI 模型需要在不同的现实环境中进行广泛的临床验证，以确保实验室成果能够转化为实际的临床效益 。另一方面，AI 算法的 “黑箱” 性质、数据隐私保护以及符合严格的监管框架（如欧盟 AI 法案）等问题，都需要妥善解决。未来，随着技术的不断发展，AI 有望在银屑病诊疗中发挥更大的作用，如开发 AI 驱动的虚拟助手用于患者随访、整合多模态数据进行综合建模，甚至识别疾病的临床前标志物，预防或延缓高危个体的疾病发作。总之，AI 与临床医生的紧密合作至关重要，只有这样，才能充分发挥 AI 的优势，为银屑病患者带来更好的诊疗方案，推动该领域朝着更加精准、个性化的方向发展。
