远程皮肤科异步咨询中的肤色公平性问题：AI对深色皮肤病变误诊率的多中心测评.docxVIP

PAGE2

《远程皮肤科异步咨询中的肤色公平性问题：AI对深色皮肤病变误诊率的多中心测评》

一、调研概述

1.1调研背景与目的

远程皮肤科异步咨询依靠患者拍摄的皮损照片和AI辅助分诊，在初级保健和资源匮乏地区迅速铺开。然而，训练数据中浅色皮肤的过度代表使模型在深色皮肤上的泛化能力备受质疑。

本调研旨在量化主流AI皮肤病诊断产品在非洲、南亚等深色皮肤人种上的诊断灵敏度偏差，并测算为消除该偏差所需的训练数据补救成本。通过多中心测评，暴露肤色公平性缺口，推动行业建立包容性AI评价体系。

研究的实践意义在于为监管机构提供制定肤色公平性审评要点的依据，为医疗服务方选购AI工具提供参考，同时促使技术开发商正视数据多样化投入。这既是技术问题，更是健康权力分配问题。

1.2研究范围与方法

研究范围覆盖五种已获FDA或CE认证的商用皮肤病AI诊断系统，涵盖黑色素瘤、银屑病、湿疹等八类常见病变。测评数据集来自尼日利亚、肯尼亚、印度、孟加拉国及巴基斯坦的12家医院，共计18,000张经组织病理证实的深色皮肤影像。

采用灵敏度、特异度及F1分数的组间差异作为主要评价指标，并引入Fitzpatrick皮肤分型V-VI级亚组分析。同时构建训练数据影子模型，估算达到浅色皮肤等水平表现所需新增采集与标注的数据量及成本。数据收集遵循伦理审查，所有图像已脱敏处理。

研究方法

应用场景

数据来源

样本规模

方