皮肤病学诊断长期面临多模态影像整合与复杂临床决策的双重挑战。尽管深度学习在特定任务（如皮肤镜图像分类）中已取得进展，但现有模型难以满足临床实践中对全身皮肤表型评估、多模态图像综合分析及罕见病识别的需求。传统AI系统往往局限于单一任务，无法支持从癌症筛查到炎症性疾病鉴别诊断的全流程临床决策。这种碎片化现状严重限制了人工智能在皮肤科的实际应用价值。
针对这一挑战，由奥地利、澳大利亚、西班牙等多国机构组成的研究团队开发了PanDerm——首个专为皮肤病学设计的通用多模态基础模型。该研究通过整合11个临床机构的210万张皮肤图像（涵盖皮肤镜、临床照片、全身摄影和皮肤病理4种模态），采用掩码潜在建模与对比语言-图像预训练(CLIP)特征对齐的自监督策略，构建了具有跨模态理解能力的视觉Transformer(ViT-Large)架构。研究成果发表于《Nature Medicine》，展示了医学专科化基础模型的巨大潜力。
关键技术包括：1) 构建多中心多模态皮肤病图像数据集（含MYM/HOP队列的3D全身摄影、ACEMID病理切片等）；2) 采用掩码特征重建与CLIP潜在对齐的双目标预训练策略；3) 开发用于时序图像分析的预处理流水线（含图像配准与病灶分割）；4) 通过28项基准测试和3项读者研究（涉及41名临床医生）评估临床效用。
Ablation studies and training strategy comparisons
研究表明PanDerm具有显著的数据与计算效率优势：仅需200训练周期即可达到最佳性能，较DINOv2等模型减少60%计算量。在8项基准测试中，其使用33%数据即超越现有最优皮肤科专用模型SwAVDerm。线性探测(linear probing)性能与全参数微调相当，验证了特征表示的通用性。
Short-term lesion change detection
在585对序列皮肤镜图像(SDDI1)评估中，结合专用预处理流程的PanDerm将变化检测AUROC从0.596提升至0.706。对后续确诊恶性的病灶，其AUROC达0.840，较次优模型提高15%，证实其在早期黑色素瘤监测中的价值。
Melanoma metastasis prediction
基于680张侵袭性黑色素瘤皮肤镜图像的预后分析显示，PanDerm区分转移与非转移病例的AUROC达0.964。Cox回归显示其预测评分是复发的最强指标（HR=5.63），7年预测时间依赖性AUC保持0.909，较临床变量组合提高5%。
Risk assessment using TBP
在480名患者的196,933个全身摄影(TBP)病灶分析中，模型实现痣计数AUROC 0.983。临床验证显示其能以89.3%灵敏度检测恶性病灶，同时减少60.8%的不必要检查，显著优化筛查流程。
Human-AI collaboration studies
三项读者研究证实PanDerm的临床转化价值：在早期黑色素瘤检测中，模型正确识别89个恶性病灶中的58个（65.2%），显著优于医生的32.6%；辅助医生时使皮肤癌诊断准确率从0.69提升至0.80；尤其使非专科医生对128种皮肤病的鉴别诊断准确率提升16.5%。
该研究开创性地证实了专科化多模态基础模型在医学领域的优越性。PanDerm不仅突破了传统单任务AI的局限，其构建方法更为其他专科AI开发提供了可复制的技术路线。值得注意的是，模型在数据效率方面的突破（仅需10%标注数据即可超越现有模型）极大缓解了医学标注数据稀缺的瓶颈。读者研究揭示的"AI独立诊断性能优于人机协作"现象，提示未来可能需要重新思考医疗AI的部署策略。尽管在200种皮肤病的覆盖范围上仍存局限，但研究团队通过国际协作建立的标准化评估框架，为后续研究奠定了重要基础。这项成果标志着皮肤病学诊疗正式迈入多模态AI时代，对推动精准医疗发展具有里程碑意义。
