对话作者 | 人工智能生成的皮肤病图像存在肤色多样性不足及诊断准确性欠佳的问题
对话作者 | 人工智能生成的皮肤病图像存在肤色多样性不足及诊断准确性欠佳的问题的核心信息是什么？
点击 蓝字 关注“ 拓麦Derm ” 前 言 生成式人工智能（AI）模型在皮肤科的应用日益广泛，但在皮肤病图像渲染方面缺乏足够的多样性与准确性，这可能导致对有色人种患者的误诊，并加剧种族健康差异。这引发了人们对基于AI的皮肤病学工具存在偏见及临床可靠性的担忧。 本研究对四种主流生成式AI模型（Adobe Firefly、ChatGPT...
点击 蓝字 关注“ 拓麦Derm ” 前 言 生成式人工智能（AI）模型在皮肤科的应用日益广泛，但在皮肤病图像渲染方面缺乏足够的多样性与准确性，这可能导致对有色人种患者的误诊，并加剧种族健康差异。这引发了人们对基于AI的皮肤病学工具存在偏见及临床可靠性的担忧。 本研究对四种主流生成式AI模型（Adobe Firefly、ChatGPT-4o、Midjourney和Stable Diffusion）生成的常见皮肤病图像，在肤色多样性与准确性方面进行了创新性的比较分析。 本文由Jared Jagdeo、Lucie Joerg撰写，属于「拓麦Derm」分类。 关键词：皮肤病学、对话作者、人工智能。
本文核心问答
Q1: 这篇资讯的核心内容是什么？
点击 蓝字 关注“ 拓麦Derm ” 前 言 生成式人工智能（AI）模型在皮肤科的应用日益广泛，但在皮肤病图像渲染方面缺乏足够的多样性与准确性，这可能导致对有色人种患者的误诊，并加剧种族健康差异。这引发了人们对基于AI的皮肤病学工具存在偏见及临床可靠性的担忧。 本研究对四种主流生成式AI模型（Adobe Firefly、ChatGPT-4o、Midjourney和Stable Diffusion）生成的常见皮肤病图像，在肤色多样性与准确性方面进行了创新性的比较分析。
Q2: 本文属于哪个学科分类，涉及哪些关键词？
本文属于「拓麦Derm」分类，涉及关键词：皮肤病学、对话作者、人工智能，由Jared Jagdeo、Lucie Joerg撰写。
Q3: 这篇资讯的发布时间是什么？
本文发布于1760616082，来源为TalkMED拓麦医学资讯平台。
点击蓝字 关注“拓麦Derm”
前 言
生成式人工智能（AI）模型在皮肤科的应用日益广泛，但在皮肤病图像渲染方面缺乏足够的多样性与准确性，这可能导致对有色人种患者的误诊，并加剧种族健康差异。这引发了人们对基于AI的皮肤病学工具存在偏见及临床可靠性的担忧。
本研究对四种主流生成式AI模型（Adobe Firefly、ChatGPT-4o、Midjourney和Stable Diffusion）生成的常见皮肤病图像，在肤色多样性与准确性方面进行了创新性的比较分析。其中三种模型的肤色多样性表现明显不足，仅有一种模型的肤色代表性相当。所有模型的图像准确性均较差，仅有15%的图像正确呈现了预期的病症。来自美国纽约州立大学健康科学中心的Dr. Jared Jagdeo 和 Dr. Lucie Joerg等研究者开展了一项横断面研究，旨在探究生成式AI模型在呈现不同肤色人群皮肤病时的包容性与准确性。
在本期「对话作者」中，Dr. Jared Jagdeo 和 Dr. Lucie Joerg详细介绍了如何确保皮肤病学领域的AI能够促进公平的医疗保健，为何AI在准确描绘常见皮肤病方面结果不理想以及解决AI训练数据集中肤色偏见最关键的一步是什么。
点击上图，跳转至小程序观看访谈视频
如何确保皮肤病学领域的AI
能够促进公平的医疗保健
Dr. Lucie Joerg：
除了使用多样化数据集，我们提出几项实用伦理准则：首先，建立覆盖所有肤色和疾病的公开图像库；其次，进行系统性提示工程审计以防用户端加剧偏见；之后，将公平性指标与部署后监控设为AI监管标准。
为何AI在准确描绘
常见皮肤病方面结果不理想
Dr. Lucie Joerg：
AI生成图像虽逼真，但优化目标是“视觉合理性”而非“疾病特异性形态”。其训练数据可能存在噪声且标签不透明，导致生成的图像缺乏病理真实性，诊断准确性因而低下。
解决AI训练数据集中
肤色偏见最关键的一步是什么
Dr. Jared Jagdeo：
解决AI模型中深色皮肤表征不足的问题，最关键的一步是创建并共享公开、经专业策划和病理验证的皮肤病图像库，确保训练数据能完整覆盖所有肤色谱系，真实反映患者群体。
结语
Dr. Jared Jagdeo 和 Dr. Lucie Joerg团队的研究深刻揭示了当前皮肤病学AI模型面临的三重挑战：公平性、准确性与数据代表性。AI的“照片级”逼真并不可靠，其核心问题在于缺乏对疾病病理特征的精准映射。同时，训练数据的偏见，特别是对深色皮肤人群的表征不足，可能加剧医疗不平等。为解决这些问题，专家提出了明确的路径：通过构建高质量、多样化的公共数据集，实施严格的算法审计与持续的部署后监控，共同推动AI从“视觉幻象”走向“诊断真实”，最终在皮肤病学领域实现其促进公平、精准医疗的巨大潜力。
1
END
1
供稿：Jason
审核：Jaya
排版：Haojun / Vanessa
版权声明：
内容仅限医疗卫生专业人士学习交流使用。未经版权所有者事先许可，不得以任何方式或任何手段对内容涉及的任何文档、图片、音频、视频复制、储存在其他第三方平台；未经版权所有者许可不得以任何方式（包括但不限于：嵌套、深度链接、盗播、盗取、盗链等）直接或间接地使用相关视频内容从事任何商业活动，否则将保留追究侵权者相关法律责任的权利。肖像经Dr. Jared Jagdeo 和 Dr. Lucie Joerg许可后使用。
参考文献：
1. Joerg L, Kabakova M, Wang JY, et al. AI-generated dermatologic images show deficient skin tone diversity and poor diagnostic accuracy: An experimental study. J Eur Acad Dermatol Venereol. Published online July 16, 2025. doi:10.1111/jdv.20849
#AI：Artificial Intelligence，人工智能
#Dermatology：皮肤病学
引用格式：对话作者 | 人工智能生成的皮肤病图像存在肤色多样性不足及诊断准确性欠佳的问题. 发布日期：1760616082. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/2782 参考DOI: https://doi.org/10.1111/jdv.20849
分享
收藏
点赞
