人工智能在基层全科医生实践中的应用：基于皮肤病诊断与病程管理的视角

【摘要】 背景 基层全科医生在皮肤病诊断和管理方面面临挑战，凸显了对人工智能（AI）辅助系统的迫切需求。AI技术在提高诊疗效率中具有潜力，但目前针对其在基层医疗实践中的应用研究相对有限。目的 探讨AI辅助系统在基层全科医生皮肤病诊断与病程管理中的应用效果。方法 于2022年12月—2024年3月，在杭州市社区卫生服务中心招募自愿参与研究的全科医生19名，采用随机数字表法，将其分为AI组10名、对照组9名；选取该时期两组医生接诊的皮肤病患者90例，AI组50例、对照组40例。AI组医生使用睿肤AI辅助系统进行皮肤病的诊断和病程管理，对照组医生不使用AI系统、按常规流程诊治，两组医生在接诊过程中均收集了患者的病历、实验室检查结果和皮损照片。由2名皮肤病专家远程会诊，评估两组医生的诊断准确性。分别于接诊的第1、14天对患者进行皮肤病生活质量指数（DLQI）评分，对两组患者进行满意度测评，对AI组全科医生进行睿肤AI辅助系统使用体验测评。结果 AI组和对照组患者的性别、年龄、学历比较，差异无统计学意义（P>0.05）；两组医生的性别、年龄、学历、职称比较，差异无统计学意义（P>0.05）。AI组全科医生的皮肤病诊断准确率高于对照组（64.0% vs 37.5%，P=0.012）。治疗14 d后，AI组、对照组患者的DLQI评分较治疗前均有改善（P<0.05），AI组改善程度优于对照组（P<0.05）。AI组患者的满意度高于对照组（P=0.024），AI组患者第14天DLQI评分与患者满意度呈正相关（rs=0.471，95%CI=0.186～0.683，P=0.002），DLQI评分的改善程度与患者满意度亦呈正相关（rs=0.816，95%CI=0.676～0.899，P<0.001）。问卷调查结果显示，大多数医生对AI辅助系统的使用体验持积极态度，认为其在诊断选择（70.0%）、辅助诊断（80.0%）、治疗建议（60.0%）和专业知识提供方面（90.0%）具有实际价值，90.0%的医生表示会继续使用AI辅助系统。结论 在基层医疗环境中应用AI辅助系统可以提升全科医生的皮肤病诊断准确率，改善患者的生活质量和就诊满意度，且大多数医生对AI辅助系统的使用体验持积极态度。

【关键词】 皮肤疾病；全科医生；人工智能；AI辅助系统；初级卫生保健；诊断；疾病管理

【中图分类号】 R 161 R 75 R-05 【文献标识码】 A DOI：10.12114/j.issn.1007-9572.2024.0121

The Application of AI in Primary Care General Practitioners' Practice：a Perspective on Skin Disease Diagnosis and Disease Course Management

LIU Huan，ZHU Shifei，CHEN Fayu，WANG Jinghua*

Department of General Practice，Affiliated Hospital of Hangzhou Normal University，Hangzhou 310015，China

*Corresponding author：WANG Jinghua，Chief physician；E-mail：20201018@hznu.edu.cn

【Abstract】 Background Primary care general practitioners encounter significant challenges in diagnosing and managing skin diseases，highlighting the urgent need for artificial intelligence（AI） assisted systems. Although AI has the potential to improve diagnostic and treatment efficiency，research on its application in primary care settings remains limited. Objective To investigate the effectiveness and impact of an AI-assisted system in supporting primary care general practitioners with the diagnosis and management of skin diseases. Methods From December 2022 to March 2024，19 general practitioners from community health centers in Hangzhou were voluntarily recruited for this study. They were randomly divided into two groups：an AI group with 10 physicians and a control group with 9 physicians. During this period，these physicians treated a total of 90 patients with skin diseases：50 in the AI group and 40 in the control group. Physicians in the AI group utilized the Ruifu AI-assisted system for diagnosing and managing dermatological diseases，whereas those in the control group followed standard treatment protocols without AI assistance. Both groups compiled patients' medical records，auxiliary examination reports，and photographs of skin lesions during consultations. Two skin disease experts were invited to conduct remote consultations to evaluate the diagnostic accuracy of the two groups. On the first day（1 d） and the fourteenth day（14 d） of treatment，patients underwent assessments using the Dermatology Life Quality Index（DLQI），and satisfaction surveys were conducted separately for patients in the AI and control groups. A questionnaire survey was administered to doctors in the AI group to assess their experience with the Ruifu AI-assisted system. Results No significant differences were observed in gender，age，or education level among patients in the AI and control groups（P>0.05），nor among physicians in terms of gender，age，education，and professional titles（P>0.05）. The AI group's general practitioners achieved higher diagnostic accuracy for skin diseases than those in the control group（64.0% vs 37.5%，P=0.012）. Fourteen days post-treatment，improvements in the DLQI scores were observed in both the AI and control groups，with significant differences（P<0.05），and the improvement in the AI group was more significant（P<0.05）. The satisfaction level of the AI group was higher than that of the control group（P=0.024），and there was a positive correlation between the 14 d DLQI score and patient satisfaction in the AI group（rs=0.471，95%CI=0.186-0.683，P=0.002），the correlation between the improvement in DLQI score and patient satisfaction was even more significant（rs=0.816，95%CI=0.676-0.899，P<0.001）. The results of the questionnaire survey revealed that a majority of physicians demonstrated a positive attitude towards their use of the AI-assisted system，acknowledging its practical value in several areas：diagnosis selection（70.0%），auxiliary diagnosis（80.0%），treatment recommendations（60.0%），and the provision of professional knowledge（90.0%）. Remarkably，90.0% of the physicians indicated their intention to continue utilizing the AI-assisted system. Conclusion In the primary care setting，the application of AI-assisted systems has enhanced the diagnostic accuracy of general practitioners in identifying skin diseases，improves the quality of life for patients，and increases patient satisfaction. The majority of general practitioners report positive experiences with the use of AI-assisted systems.

【Key words】 Skin diseases；General practitioners；Artificial intelligence；AI-assisted systems；Primary health care；Diagnosis；Disease management

皮肤病是常见病之一，严重影响了患者的生活质量，给患者和社会带来一定的经济负担［1-2］。基层医疗卫生机构极少开设皮肤科门诊，皮肤病患者常就诊于全科门诊或二级、三级医院的皮肤科。基层全科医生在诊断和治疗常见皮肤病方面的能力不足，特别是在偏远地区，这影响了基层医疗服务的质量和效率，影响了社区首诊及分级诊疗制度的推进。因此，迫切需要一种有效的辅助工具来帮助基层全科医生提高皮肤病诊治水平。近年来，人工智能（artificial intelligence，AI）技术在医学领域的应用已成为研究热点，特别是在皮肤病诊断方面［3-4］。AI辅助系统在提高诊断准确性和提升患者生活质量方面具有潜力，是未来医疗领域的重要研究方

向［5］。尽管AI辅助系统在皮肤科、影像科、病理科的应用受到了广泛关注，但其在基层医疗实践中的研究仍少有报道。中南大学湘雅二医院陆前进教授团队开发的睿肤系统，能协助诊断银屑病、特应性皮炎等皮肤病，诊断准确率高达95.80%［6］。睿肤AI辅助系统目前已实现多项功能，包括智能识别、银屑病皮损面积及严重程度指数评分、特应性皮炎评分，以及多模态深度学习辅助的红斑狼疮亚型诊断，并可支持智能病程管理与患者随访［7-8］。本研究旨在将睿肤AI辅助系统应用于基层全科医生的皮肤病辅助诊断和病程管理中，探讨其对基层全科医生皮肤病诊疗水平的提升效果，从而为AI在基层医疗实践中的应用提供参考。

1 对象与方法

1.1 研究对象

于2022年12月—2024年3月，在杭州市4个区的社区卫生服务中心选取19名符合条件的全科医生为研究对象，采用随机数字表法将其分为AI组10名、对照组9名。纳入标准：（1）年龄≤50岁；（2）能熟练使用智能手机。排除标准：曾在三级甲等医院皮肤科进修。同时纳入两组医生在研究期间接诊的皮肤病患者90例，AI组50例、对照组40例。纳入标准：在社区卫生服务中心全科门诊就诊，且有皮肤病方面主诉。排除标准：（1）合并严重的心脑血管疾病和/或脏器功能衰竭；（2）患有精神疾病，或存在药物/物质依赖；（3）皮肤科急症、病情危重需立即抢救，如急性荨麻疹伴休克、大疱性表皮松解坏死型药疹、大面积烧伤等；（4）存在听力或语言障碍，无法回答问题；（5）病历信息不完整、皮损照片缺失，或失访。本研究经杭州师范大学附属医院医学伦理委员会批准［审批号：2021-（E2）-HS-094］，纳入研究的全科医生、患者及家属均对本研究知情同意并自愿参加。

1.2 研究方法

1.2.1 AI辅助诊疗系统。睿肤AI辅助系统是由皮肤病人工智能发展联盟指导、多方协同构建的新一代皮肤病AI辅助诊疗系统。该系统采用轻量化设计，与微信高度集成，医生仅需一部智能手机即可便捷使用。睿肤识别支持手机拍照、辅助拍照、相册上传3种模式，满足多种应用场景，对近百种皮肤疾病识别准确率高。在识别每一张患者皮损照片后，系统会给出3种可能的疾病诊断，点击每种疾病下方的“查看更多内容”可以链接到该疾病相关的病因及发病机制、临床表现、组织病理、诊断和鉴别诊断、治疗内容，为医生提供相关疾病诊断的专业知识和治疗方案参考。睿肤AI辅助系统目前已开展睿肤识别、病程管理等功能［6-8］。

1.2.2 诊断过程。（1）AI组：对AI组医生进行睿肤AI辅助系统的使用培训，医生在接诊有皮肤病主诉的患者时使用睿肤识别AI辅助诊断，并在睿肤病程管理平台录入患者就诊病历资料及实验室检查结果，收集皮损照片。（2）对照组：不使用AI辅助诊断，按常规诊疗流程收集接诊皮肤病患者病历资料、实验室检查结果及皮损照片。同时期患者资料（接诊医生信息将被覆盖）将由2名皮肤病专家远程会诊审核把关，评估诊断的准确性，并将修正诊断结果、治疗原则反馈给各组医生。

1.2.3 随访管理。AI组医生将患者纳入睿肤病程管理，根据系统推荐的皮肤病随访方案对患者进行随访管理，记录皮损变化情况。AI组和对照组医生分别于接诊第1、14天对患者进行皮肤病生活质量指数（DLQI）评分，评估皮肤病对患者生活的影响，分析两组全科医生管理患者的皮损改善程度。DLQI是一种应用广泛的量表，旨在评估皮肤病对患者日常生活的影响程度，该量表包含10个问题，覆盖症状和感受、日常活动、休闲、工作和学习、个人关系及治疗反应等多个方面，选项为“无影响”～“极大影响”，总分范围为0～30分。在临床研究和实践中，DLQI被应用于评估多种皮肤病患者的生活质量、治疗效果，并指导治疗决策，DLQI在皮肤科疾病诊疗中具有广泛适用性和重要价值［9］。

1.2.4 患者满意度评价。对AI组和对照组患者进行总体服务满意度测评，选项包括“比较满意”“基本满意”“不满意”，以“比较满意”“基本满意”计算满意度。

1.2.5 医生使用体验评价。通过问卷调查全科医生对睿肤AI辅助系统的使用体验，包括诊断选择、鉴别诊断、辅助诊断、治疗建议、专业知识助益、整体满意度及未来使用意向等方面。

1.3 统计学方法

采用GraphPad Prism 8.0软件进行数据的统计学处理。计数资料以相对数表示，组间比较采用χ2检验或Fisher's确切概率法；计量资料采用Shapiro-Wilk进行正态性检验，非正态分布的计量资料用M（P25，P75）表示，组间两两比较采用Mann-Whitney U检验，组内配对比较采用Wilcoxon符号秩检验；相关性分析采用Spearman秩相关分析。以P<0.05为差异有统计学意义。

2 结果

2.1 两组患者和全科医生的基线资料比较

两组患者的性别、年龄、学历比较，差异无统计学意义（P>0.05），见表1。两组全科医生的性别、年龄、学历、职称比较，差异无统计学意义（P>0.05），见表2。

分析两组疾病诊断和数量：AI组诊断皮肤病21种，诊断频次排在前3位的分别为湿疹（6例）、脂溢性角化病（5例）、皮炎（5例）；对照组诊断皮肤病20种，诊断频次排在前3位的分别为脂溢性角化病（4例）、湿疹样疹（3例）、接触性皮炎（3例）。两组诊断频次排前10位的疾病患者均占各组总病例数的70.0%

以上。

2.2 两组诊断准确性比较

AI组中，32例（64.0%）患者的诊断结果正确，18例（36.0%）患者的诊断错误；对照组中，15例（37.5%）患者的诊断结果正确，25例（62.5%）患者的诊断结果错误。两组患者诊断准确率比较，差异有统计学意义（χ2=6.255，P=0.012）。

2.3 两组患者DLQI评分变化

两组患者第1、14天的DLQI评分比较，差异无统计学意义（P>0.05）。两组患者第14天的DLQI评分与第1 天比较，差异均有统计学意义（P<0.05）。两组患者的改善程度（DLQI评分差值）比较，差异有统计学意义（P<0.05），见表3。

2.4 两组患者满意度及其与DLQI评分的相关性分析

对AI组和对照组分别进行患者满意度调查，共计发放问卷90份，回收有效问卷75份，问卷有效回收率为83.3%。在AI组，42例患者中有25名（59.5%）表示比较满意，17例（40.5%）表示基本满意，无患者表示不满意；对照组中，33例患者中有11例（33.3%）表示比较满意，22例（66.7%）表示基本满意，无患者表示不满意。两组患者满意度比较，差异有统计学意义（χ2=5.079，P=0.024）。

在AI组中，第14天DLQI评分与患者满意度呈正相关（rs=0.471，95%CI=0.186～0.683，P=0.002），且DLQI评分的改善程度与患者满意度之间的正相关性更为显著（rs=0.816，95%CI=0.676～0.899，P<0.001）。

在对照组中，第14天DLQI评分与患者满意度无相关关系（rs=0.276，95%CI=-0.085～0.573，P=0.120），但对照组中DLQI评分的改善程度与患者满意度呈正相关（rs=0.773，95%CI=0.578～0.884，P<0.001）。

2.5 全科医生对AI辅助系统的使用体验

全科医生对AI辅助系统的使用持积极态度，≥60.0%的全科医生认为其在诊断选择（70.0%）、鉴别诊断（60.0%）、辅助诊断（80.0%）、治疗建议（60.0%）、专业知识助益（90.0%）方面具有价值，90.0%的全科医生对系统的整体使用感到满意，90.0%的全科医生表示会继续使用AI辅助系统，见表4。

3 讨论

AI技术（尤其是机器学习和深度学习）已经在皮肤病诊断领域取得明显进展，其诊断准确率在某些情况下甚至超过了人类专家，尤其是在黑色素瘤等皮肤疾病的诊断中［10-11］。KRAMMER等［12］的研究进一步证实了AI模型在皮肤病分类诊断上的高准确性。在皮肤科，AI有望提高传统诊断方法的效率和准确性，包括视觉检查、皮肤活检和组织病理学检查［13］。本研究中，应用AI辅助系统的全科医生在皮肤病诊断中的准确率达64.0%。这与GROH等［14］的研究结果一致，后者发现引入AI辅助系统后，皮肤科专家和全科医生的诊断准确率均明显提高，特别是对于全科医生，AI系统的辅助使其诊断准确率提高了69%，凸显了AI辅助系统在基层医疗环境中的潜在应用价值。对于全科医生而言，AI辅助系统可以作为一种重要的辅助工具，帮助其更准确地诊断皮肤病。尽管AI辅助系统提高了皮肤病诊断的总体准确率，但在深肤色患者的诊断中，准确率的提升幅度相对较小［14］。这一发现强调了在开发和训练AI模型时，需要考虑数据集的多样性和代表性，以减少对特定人群的诊断偏差。

AI在皮肤病诊断领域的应用取得了进展［3，15］，但其在临床实践中的普遍性和适用性仍然难以实现［4］。AI在疾病管理方面的研究少有报告，这可能是因为皮肤病治疗涉及复杂的临床决策、个性化治疗方案及伦理问题。本研究通过设置专家远程会诊系统，不仅提高了诊断的准确性，还为全科医生提供了治疗建议，保障了患者利益。本研究发现，使用AI辅助系统的患者DLQI评分改善程度及满意度均优于对照组，且DLQI评分改善程度与患者满意度呈正相关。原因可能是以下因素的综合作用：（1）AI辅助系统提升了全科医生的初诊准确率；（2）AI辅助系统提供的专业知识链接和治疗建议为全科医生的临床决策提供了理论支持；（3）采用AI辅助系统进行皮肤病的持续监测和管理，患者可通过智能手机应用上传皮损图像，系统通过分析图像变化来监测病情进展，及时调整治疗方案。AI辅助系统协助医生为患者制定了更为有效的治疗计划，加速了患者病情的改善，从而提升了患者的满意度与生活质量。对照组患者的第14天DLQI评分与满意度无相关关系，考虑与样本量有限、满意度问卷部分患者未回复造成数据偏差有关，后续可通过增加样本量、提高患者回复率来进一步验证。

AI的应用引起了广泛关注，但关于医生对AI的态度和信任度的研究仍相对有限［16］。一项针对沙特阿拉伯皮肤科医生的横断面调查研究显示：大多数医生认为AI在基于皮肤科临床图像（50.9%）、皮肤镜图像（66.6%）和皮肤病理学（66.6%）中自动检测皮肤疾病方面具有较强或强大的潜力，然而有相当一部分受访者不认为AI将在未来取代医生（41.5%）和皮肤科医生（39.6%）［17］。另一项针对巴林二级和三级医院的精神科、病理科、放射科和外科医生的横断面调查结果表明，医生对AI的态度总体上是积极的，病理科医生更倾向于用AI来“为患者制定个性化的药物和/或治疗计划”和“在各种环境中访问患者以获取病史”［18］。本研究发现，大多数医生对AI辅助系统持积极态度，认为其在多个方面提供了实际帮助，显示了AI技术在临床实践中的高接受度和满意度。本研究与国际研究结果显示的趋势一致：大多数医生对AI在医学实践中的应用持积极和欢迎态度［19］。

基层全科医生在常见皮肤病的诊疗方面通常面临挑战，很大程度上限制了基层医疗服务的质量和效率。针对这一问题，本研究将皮肤病AI辅助系统应用于基层全科医生的皮肤病辅助诊断和病程管理中，提高了全科医生的皮肤病诊断准确率，改善了患者皮肤病生活质量，提高了患者诊疗满意度。本研究将着眼于将AI技术更广泛地推广至基层医疗领域，尤其是那些缺乏皮肤科专业医生的偏远地区。旨在通过技术解决这些地区“就医难”的问题，促进分级诊疗体系的建立，并改善医疗服务质量。然而，在基层医疗环境中应用AI系统也面临着多重挑战。（1）技术挑战：AI系统的准确性、安全性和偏差问题。BUCK等［20］研究发现，德国全科医生对AI系统的准确性和安全性表示担忧。一项南加州的调查研究也指出，初级卫生保健医生对AI系统的准确性、安全性和潜在偏差表示关注，强调了技术问题的解决对于AI系统成功实施的重要性［19］。（2）人员和流程挑战：AI对工作流程的影响、医疗系统对创新医疗方式的支持不足，以及医生对潜在增加的工作量和职业倦怠的担忧［19］。（3）伦理和社会挑战：涉及数据隐私、算法透明度和解释度，以及医疗公平性等问题［16］。VO等［21］研究强调了AI在皮肤科应用中的伦理、法律和社会问题。研究发现，患者对AI诊断中的数据隐私和算法偏见表示担忧，患者对AI的接受度受到多种因素的影响，包括对AI技术的了解度、对医生和AI的信任度［22］。开发和部署AI系统时，需要考虑多元化的数据集，以减少潜在的偏见，并提高系统的普适性和公平性，依托更可靠的数据及实践经验提高医生及患者对AI的信任度。

因此，基层医疗环境中AI的实施挑战是多方面的。解决这些挑战需要综合考虑技术创新、组织变革和伦理指导原则，以确保AI技术能够有效且安全地整合到基层医疗实践中。AI在基层医疗中的实施和应用，需要跨学科合作，包括技术开发者、医疗专业人员、政策制定者、患者和社会各界的积极参与和沟通。

4 小结

本研究探讨了AI辅助系统在基层医疗环境中的应用效果，发现AI辅助系统可以提高全科医生皮肤病诊断的准确率，改善患者的生活质量，并提高患者满意度。将AI辅助系统实施于基层医疗环境中面临多重挑战，未来的研究应重点探索针对这些挑战的解决方案，以促进AI技术在基层医疗中的有效整合和应用，进而提高基层医疗服务的质量和效率。将AI技术更广泛地应用于基层医疗领域，尤其是偏远地区的基层医疗领域，以助推分级诊疗制度的实施。

本研究的局限性：（1）样本量有限，这可能影响了结果的普遍性和代表性，未来的研究应考虑扩大样本规模以增强研究结论的可靠性；（2）随访时间较短，DLQI评分为第1天和第14天，对于常见急性皮肤病2周能观察到明显改善疗效，但是对于部分进展缓慢的皮肤病（如银屑病、特应性皮炎），可能需要更长随访期（数个月）才能得出更可信的结论；（3）部分患者未回复满意度问卷，可能造成数据偏差；（4）研究中使用了一种AI辅助系统，需要纳入多种AI辅助系统对比准确性和有效性，排除可能存在的性能偏差。

作者贡献：刘环进行文章的构思与设计，数据整理和统计学处理，撰写论文；朱世飞、陈法余进行数据收集；王静华负责文章的质量控制与审查，对文章整体负责。

本文无利益冲突。

刘环：https：//orcid.org/0009-0000-7250-6543

参考文献

SETH D，CHELDIZE K，BROWN D，et al. Global burden of skin disease：inequities and innovations［J］. Curr Dermatol Rep，2017，6（3）：204-210. DOI：10.1007/s13671-017-0192-7.

KAO S Z，EKWUEME D U，HOLMAN D M，et al. Economic burden of skin cancer treatment in the USA：an analysis of the Medical Expenditure Panel Survey Data，2012-2018［J］. Cancer Causes Control，2023，34（3）：205-212. DOI：10.1007/s10552-022-01644-0.

DOELEMAN T，HONDELINK L M，VERMEER M H，et al. Artificial intelligence in digital pathology of cutaneous lymphomas：a review of the current state and future perspectives［J］. Semin Cancer Biol，2023，94：81-88. DOI：10.1016/j.semcancer.2023.06.004.

LIOPYRIS K，GREGORIOU S，DIAS J，et al. Artificial intelligence in dermatology：challenges and perspectives［J］. Dermatol Ther，2022，12（12）：2637-2651. DOI：10.1007/s13555-022-008

33-8.

STRZELECKI M，KOCIOŁEK M，STRĄKOWSKA M，et al. Artificial intelligence in the detection of skin cancer：state of the art［J］. Clin Dermatol，2024，42（3）：280-295. DOI：10.1016/j.clindermatol.2023.12.022.

WU H J，YIN H，CHEN H P，et al. A deep learning，image based approach for automated diagnosis for inflammatory skin diseases［J］. Ann Transl Med，2020，8（9）：581. DOI：10.21037/atm.2020.04.39.

LI Q W，YANG Z，CHEN K L，et al. Human-multimodal deep learning collaboration in 'precise' diagnosis of lupus erythematosus subtypes and similar skin diseases［J］. J Eur Acad Dermatol Venereol，2024. DOI：10.1111/jdv.20031.

YIN H，CHEN H，ZHANG W，et al. Image-based remote evaluation of PASI scores with psoriasis by the YOLO-v4 algorithm［J］. Exp Dermatol，2024，33（4）：e15082. DOI：10.1111/exd.15082.

VYAS J，JOHNS J R，ALI F M，et al. A systematic review of 454 randomized controlled trials using the Dermatology Life Quality Index：experience in 69 diseases and 43 countries［J］. Br J Dermatol，2024，190（3）：315-339. DOI：10.1093/bjd/ljad079.

BRINKER T J，HEKLER A，ENK A H，et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task［J］. Eur J Cancer，2019，113：47-54. DOI：10.1016/j.ejca.2019.04.001.

TOBAR M D P B，CLEMANN S，HAGENS R，et al. Skinly：a novel handheld IoT device for validating biophysical skin characteristics［J］. Skin Res Technol，2024，30（3）：e13613. DOI：10.1111/srt.13613.

KRAMMER S，LI Y，JAKOB N，et al. Deep learning-based classification of dermatological lesions given a limited amount of labelled data［J］. J Eur Acad Dermatol Venereol，2022，36（12）：2516-2524. DOI：10.1111/jdv.18460.

PATEL S，WANG J V，MOTAPARTHI K，et al. Artificial intelligence in dermatology for the clinician［J］. Clin Dermatol，2021，39（4）：667-672. DOI：10.1016/j.clindermatol.2021.03.012.

GROH M，BADRI O，DANESHJOU R，et al. Deep learning-aided decision support for diagnosis of skin disease across skin tones［J］. Nat Med，2024，30（2）：573-583. DOI：10.1038/s41591-023-02728-3.

CROVELLA S，SULEMAN M，TRICARICO P M，et al. Harnessing artificial intelligence for advancing early diagnosis in hidradenitis suppurativa［J］. Ital J Dermatol Venerol，2024，159（1）：43-49. DOI：10.23736/S2784-8671.23.07829-5.

GORDON E R，TRAGER M H，KONTOS D，et al. Ethical considerations for artificial intelligence in dermatology：a scoping review［J］. Br J Dermatol，2024，190（6）：789-797. DOI：10.1093/bjd/ljae040.

AL-ALI F，POLESIE S，PAOLI J，et al. Attitudes towards artificial intelligence among dermatologists working in Saudi Arabia［J］. Dermatol Pract Concept，2023，13（1）：e2023035. DOI：10.5826/dpc.1301a35.

AL-MEDFA M K，AL-ANSARI A M S，DARWISH A H，et al. Physicians' attitudes and knowledge toward artificial intelligence in medicine：benefits and drawbacks［J］. Heliyon，2023，9（4）：e14744. DOI：10.1016/j.heliyon.2023.e14744.

ALLEN M R，WEBB S，MANDVI A，et al. Navigating the doctor-patient-AI relationship - a mixed-methods study of physician attitudes toward artificial intelligence in primary care［J］. BMC Prim Care，2024，25（1）：42. DOI：10.1186/s12875-024-02282-y.

BUCK C，DOCTOR E，HENNRICH J，et al. General practitioners' attitudes toward artificial intelligence-enabled systems：interview study［J］. J Med Internet Res，2022，24（1）：e28916. DOI：10.2196/28916.

VO V，CHEN G，AQUINO Y S J，et al. Multi-stakeholder preferences for the use of artificial intelligence in healthcare：a systematic review and thematic analysis［J］. Soc Sci Med，2023，338：116357. DOI：10.1016/j.socscimed.2023.116357.

ROBERTSON C，WOODS A，BERGSTRAND K，et al. Diverse patients' attitudes towards Artificial Intelligence（AI） in diagnosis［J］. PLoS Digit Health，2023，2（5）：e0000237. DOI：10.1371/journal.pdig.0000237.

（收稿日期：2024-04-01；修回日期：2024-06-18）

（本文编辑：王凤微）