亮点
这项综合回顾汇总了基于人工智能的诊断工具用于肛门生殖器皮肤条件（尤其是性传播感染）的证据，尽管研究质量不一且临床验证有限，但显示出有希望的汇总诊断准确性。
人工智能检测猴痘的汇总敏感性和特异性最高，其次是生殖器疱疹、疣、银屑病和疥疮，这标志着人工智能在性健康诊断中的潜在作用。
当前的局限性包括高偏倚风险、依赖开源数据集、外部验证不足以及缺乏可广泛评估的模型，强调了未来研究的必要性。
研究背景和疾病负担
性传播感染（STIs）和肛门生殖器皮肤病是全球健康的重要负担，导致显著的发病率、心理社会影响和经济成本。肛门生殖器条件的临床诊断通常需要专业的皮肤病学或传染病评估，这些资源可能并非在所有环境中都可用，可能会延迟诊断和治疗。
人工智能（AI），特别是应用于临床图像的深度学习，已经改变了常见皮肤病的诊断方法，但在性传播感染和肛门生殖器皮肤病的背景下，其有效性和范围尚未完全明确。鉴于许多这些条件的视觉性质，人工智能可以促进更快、更准确的检测，特别是在资源受限的环境中。
研究设计
这项系统评价和荟萃分析评估了2010年1月1日至2024年4月12日期间发表的研究，通过IEEE Xplore、Embase、Scopus、Medline、Web of Science和CINAHL六个主要数据库识别。纳入的研究应用了人工智能算法来检测与性传播感染和皮肤病相关的肛门生殖器皮肤条件。
符合条件的研究使用了基于人工智能的诊断方法，报告了性能指标（如敏感性和特异性），并专注于肛门生殖器条件。非人工智能诊断方法、没有性能数据的研究和非肛门生殖器皮肤病学条件被排除在外。
两名独立评审员进行了数据提取，质量评估通过修改后的QUADAS-2工具和CLEAR Derm清单进行，以评估方法学严谨性和报告质量。对于至少有三个合格研究的条件，使用双变量随机效应模型进行了荟萃分析，以汇总敏感性和特异性的估计值。
关键发现
在筛选的5381篇文章中，140项研究符合纳入标准。大多数（78.6%）集中在猴痘，较小部分涉及生殖器疱疹、生殖器疣、疥疮、传染性软疣和银屑病。
荟萃分析结果显示，关键条件下的人工智能诊断表现强劲。猴痘检测的汇总敏感性为0.96（95% CI, 0.93–0.97），特异性为0.98（95% CI, 0.97–0.99）。单纯疱疹病毒识别的敏感性为0.91（95% CI, 0.71–0.98），特异性为0.97（95% CI, 0.94–0.98）。生殖器疣、银屑病和疥疮的敏感性在0.87至0.90之间，特异性约为0.98。
尽管准确性令人鼓舞，但研究质量参差不齐。主要在人群选择（76.1%）和参考标准（76.1%）方面存在高偏倚风险，反映了对病例代表性和诊断确认的关注。五分之一的研究存在指数测试偏倚风险。
大多数人工智能模型（86.4%）是在开源图像数据集上训练或测试的，这引发了对临床人群数据集代表性的潜在问题。只有12.1%的研究报告了外部验证，这对于建立普遍性至关重要。几乎所有研究（99.3%）仅限于概念验证阶段，没有在实际临床环境中部署或公开提供人工智能模型。
专家评论
这些发现强调了人工智能在增强性传播感染和肛门生殖器皮肤病诊断方面的巨大潜力，尤其是在专业技能稀缺的地方。高诊断指标表明人工智能有助于早期检测和改善病例发现的能力。
然而，专家警告称，目前的证据主要来自使用精心策划的数据集的回顾性分析，可能无法捕捉到现实世界的临床变异性。缺乏外部和前瞻性临床验证限制了对人工智能在不同人群和成像条件下性能的信心。
此外，高偏倚风险和对公共数据集的依赖突显了在数据收集、注释和算法训练中标准化程序的必要性。确保模型透明、可解释且可供外部评估对于临床整合至关重要。
该领域将受益于涉及多样患者人群的多中心、前瞻性研究，结合鉴别诊断和临床元数据，并在临床工作流程背景下评估人工智能工具。
结论
人工智能在从肛门生殖器临床图像中识别猴痘、生殖器疱疹、生殖器疣、银屑病和疥疮方面表现出令人信服的准确性，表明其作为传统诊断途径的补充在性健康领域的前景。
然而，在临床实施之前必须解决重大的研究空白。这些包括提高数据集的质量和代表性、进行严格的外部验证、从概念验证过渡到实际评估以及开发透明、可访问的人工智能工具。
未来的努力还应关注未充分研究的性传播感染和肛门生殖器皮肤病，结合全面的鉴别诊断以提高诊断精度。人工智能在常规性健康实践中的整合有望在经过仔细验证和道德部署后，改善早期检测、患者结果和医疗资源利用。
参考文献
Soe NN, Kusnandar II, Latt PM, Fairley CK, Chow EPF, Maatouk I, Johnson CC, Shah P, Peters RPH, Subissi L, Zhang L, Ong JJ. 使用人工智能识别性传播感染和肛门生殖器皮肤病：系统评价和荟萃分析。JAMA Netw Open. 2025年10月1日；8(10):e2533512. doi: 10.1001/jamanetworkopen.2025.33512. PMID: 41042514。
Esteva A, Kuprel B, Novoa RA, 等. 利用深度神经网络进行皮肤癌的皮肤病医生水平分类。Nature. 2017；542(7639):115-118。
世界卫生组织. 性传播感染 (STIs). WHO 事实表. 2022。
Rajpurkar P, Hannun AY, Haghpanahi M, Bourn C, Ng AY. 利用卷积神经网络进行心脏病理水平的心律失常检测。Nat Med. 2019；25(1):65-69。
